A Comparison Between Hardness-Scaling and Ball-Indentation Techniques on Predicting Stress/Strain Distribution and Failure Behavior of Resistance Spot Welded Advanced High Strength Steel
Notice bibliographique
Résumé
Abstract To accurately model the resistance spot welding (RSW) joint in finite element analysis (FEA), the constitutive behavior of materials in various weld regions such as heat-affected zone (HAZ) should be measured. Due to the sharp temperature gradient through RSW specimens, microstructural and corresponding mechanical properties of weld regions are different. Additionally, the size of RSW is small; hence, it is challenging to directly measure the stress–strain curve of materials. In this regard, hardness-scaling and ball-indentation techniques are among the popular methods to in-directly measure the stress–strain curve of these materials. However, the effectiveness of these two techniques on predicting the stress/strain distribution and failure behavior of resistance spot welded advanced high strength steels (AHSS) is not clear. In the present work, the stress–strain curves obtained through hardness-scaling and ball-indentation techniques have been compared. The stress/strain distribution and failure behavior of the resistance spot welded AHSS specimen have been simulated by the stress–strain data obtained using the two methods. The simulation results have been compared with experimental analysis. The results showed that both methods can accurately predict the failure location. With the comparison of FEA results with experiment analysis, it was shown that the ball-indentation method provides slightly better predictions of failure behavior compared to the hardness-scaling method. However, the harness scaling method is a simple and convenient technique, which can be implemented as a qualitative analysis for the failure behavior of RSW joints.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».