MétaCan
Menu
Retour à la cohorte
Enregistrement W3211704489 · doi:10.1115/imece2000-1900

Numerical Analysis of Cutting With Chamfered and Worn Edge Tools

2000· article· en· W3211704489 sur OpenAlexaff
Mohammad-R. Movahhedy, Yusuf Altıntaş, Mohamed S. Gadala

Notice bibliographique

RevueManufacturing engineering · 2000
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced machining processes and optimization
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésChamfer (geometry)Enhanced Data Rates for GSM EvolutionFinite element methodMaterials scienceChip formationThrustMachiningCutting toolChipRakeStructural engineeringTool wearMechanical engineeringComputer scienceGeometryEngineeringMathematicsMetallurgy

Résumé

récupéré en direct d'OpenAlex

Abstract In high-speed machining of hard materials, tools with chamfered edges and tool materials resistant to diffusion wear are commonly used. In this paper, the influence of cutting edge geometry on the chip removal process is studied through numerical simulation of cutting with sharp, chamfered or blunt edges and with carbide or CBN tools. The analysis is based on the use of arbitrary Lagrangian-Eulerian (ALE) finite element method, which makes it possible to analyze the cutting action without having to resort to node separation methods or remeshing. Simulations include cutting with tools of different chamfer angles at a range of cutting speeds and the numerical results are compared with experimental data obtained under similar cutting conditions. The study shows that a region of dead material zone is formed under the chamfer and acts as the effective cutting edge of the tool (in accordance with experimental observations). As a result, the chip formation process is not significantly affected by the presence of the chamfer. However, the forces, the thrust force in particular, are considerably increased. The effect of cutting speed on the process is also studied and is shown to produce a significant increase in maximum temperature on the rake face.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,005
Tête enseignante GPT0,182
Écart entre enseignants0,177 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2000
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueManufacturing engineeringMême sujetAdvanced machining processes and optimizationTravaux en français237 207