MétaCan
Menu
Retour à la cohorte
Enregistrement W4210257440 · doi:10.1002/ls.1592

An investigation into the tribological behaviour of cutting fluid additives on <scp>Ti‐6Al‐4V</scp> alloy

2022· article· en· W4210257440 sur OpenAlexafffund
Junhui Ma, O.A. Gali, Reza A. Riahi

Notice bibliographique

RevueLubrication Science · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced machining processes and optimization
Établissements canadiensUniversity of Windsor
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésTribologyMaterials sciencePolymerMachiningAlloyComposite materialFriction coefficientCoefficient of frictionTitanium alloyMetallurgy

Résumé

récupéré en direct d'OpenAlex

Abstract The performance of polymer‐based and phosphorus‐based cutting fluid additives have been shown to depend on the machining conditions employed. This study investigated the tribological behaviour behind the previously reported machining performance of polymer‐based and phosphorus‐based additives on Ti‐6Al‐4V using ball‐on‐disc tests. The coefficient of friction (COF) was evaluated using ball‐on‐disc tests, surface characterisation was performed on the Ti‐6Al‐4V and steel ball counterfaces to investigate the wear and friction reduction mechanisms. The tribological performance of the phosphorus‐based additive was observed to be influenced by the applied load and temperature. The activation of this additive resulted in a reduction in COF at elevated temperatures. However, the activation temperature was observed to be influenced by the applied load. The COF associated with the polymer‐based additive was noted to increase as the temperature increased, regardless of the applied load. The formation of tribolayers from the additives was related to the COF behaviour as well as the surface damage on Ti‐6Al‐4V and lower material transfer to the steel counterfaces.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
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
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,015
Tête enseignante GPT0,267
Écart entre enseignants0,252 · 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'étudeExpérimental (laboratoire)
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

Citations2
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueLubrication ScienceMême sujetAdvanced machining processes and optimizationTravaux en français237 207