Characterization of low-velocity impact and post-impact damage of luffa mat composite using acoustic emission and digital image correlation
Notice bibliographique
Résumé
In this paper, low-velocity impact and compression after impact damage tolerance of composite reinforced with natural luffa mat were studied for the first time. The effect of impact energy and the influence of the damaged area on the residual mechanical properties under compression were investigated. Acoustic emission (AE), digital image correlation (DIC) and scanning electron microscopy (SEM) were used for the evolution of different damage modes and displacement fields. The findings of the experiments reveal that compression after impact tests of 1, 2, and 3J show a significant effect of the residual damage which decreases residual compressive strength by 12.61, 24.14, and 30.9%, respectively, compared to the unimpacted composite, but Young’s modulus was not significantly affected. Multivariable statistical analysis of the AE signals identified four classes of damage: matrix cracking, fiber-matrix debonding, delamination, and fiber failure. It also showed that the damage mode of unimpacted composites which presents the majority of the amplitude events of the AE signals is mainly due to fiber failure, by contrast, for impacted composites the damage mode is mainly due to fiber-matrix debonding. The AE results are convincing and they were confirmed by SEM images of the fractured faces of the specimens, which revealed the main causes of material failure during the compression after impact test. The DIC system monitored the effect of pre-existing damage under compressive loading and found that increasing impact energy increases the stress concentration around the impacted area and has a significant effect on residual crack development, much more in the loading direction.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».