Thermal Modelling and Multi Decision Making Optimization of EDM of Non Conductive SiC-CNT Ceramic Composite Used for Li-ion Battery and Sensor
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this research work the thermal modeling of a nonconductive Silicon carbide Ceramic matrix composite (CMC) machined by Die Sinking Electric Discharge Machining (EDM) has been done. Though SiC is a non-conductive material but the presence of CNT makes it a conductive material which can be machined with EDM. The modeling procedure carried out by considering some realistic approach like Gaussian heat Flux, Specific Discharge Energy, Variable Latent heat etc. For this analysis a 2D continuum has been designed as work domain. By simulating the work domain model by a Finite Element Analysis (FEA) Software (COMSOL), material removal rate (MRR) has been estimated with variable thermal properties. Parametric analysis of effect of Variable Specific heat on MRR by considering different current, Voltage and Pulse-On time has been performed. The effect of different input parameters (peak current and Pulse-on time) on Crater geometry has been done. A new concept of Specific discharge energy has been introduced during modelling to make it a more realistic model which can also be used as electrode support for electrochemical energy devices as Polymer Electrolyte Membrane Fuel Cells on Li-ion battery. Desirability analysis has been done to get an optimize set of input parameters for I= 3A, V=30V, Ton= 75 µs for machining ceramic matrix composite by EDM. The optimized MRR at this setting is 7.25 mm3/min whereas PFE is 87%. The experimental analysis has been also performed to strengthen the thermal and mathematical modelling.
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.
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 | 0,000 | 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 découle