MétaCan
Menu
Retour à la cohorte
Enregistrement W4226216888 · doi:10.3103/s1068366621060118

Influence of Cutting Conditions on the Wear Resistance of Tools with a TiB2 Coating during Titanium Alloy Machining

2021· article· en· W4226216888 sur OpenAlexaff
Л. Ш. Шустер, German Fox‐Rabinovich, С. В. Чертовских

Notice bibliographique

RevueJournal of Friction and Wear · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced machining processes and optimization
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésMaterials scienceMachiningCoatingMetallurgyAlloyTitanium alloyCarbideLubricantTitaniumWear resistanceCutting toolComposite material

Résumé

récupéré en direct d'OpenAlex

Abstract— The effect of cutting conditions on the tribotechnical characteristics and wear resistance of cutting tools with and without TiB2 coating during processing of a TiAl6V4 alloyed titanium alloy has been investigated. It was found that when processing TiAl6V4 alloy, the efficiency of a TiB2 coating on carbide cutting tools significantly depends on the cutting conditions. Wear estimates in combination with XPS and SEM studies of worn surfaces show that TiB2 coated tools are most efficiently used for rough turning at low cutting speeds (45 m/min) and a large depth of cut (2 mm) under conditions of intense build-up. It is assumed that this is due to the formation of thermal barrier films of TiC, as well as a large amount of tribooxide B2O3, which serves as a liquid lubricant. During finishing (the finishing operation) at higher cutting speeds (80 and 150 m/min), when crater wear on the front surface of the cutter prevails, the wear resistance of the coated and uncoated tools is practically the same. This indicates that there is no one-size-fits-all solution for different machining conditions of alloyed titanium alloy when different wear mechanisms dominate.

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)0,002
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 seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
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 Opus0,007
Tête enseignante GPT0,216
Écart entre enseignants0,209 · 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

Citations3
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Friction and WearMême sujetAdvanced machining processes and optimizationTravaux en français237 207