MétaCan
Menu
Retour à la cohorte
Enregistrement W4251980527 · doi:10.32920/ryerson.14646681.v1

The Effects Of Blast Lag In Abrasive Jet Machined Micro-Channel Intersections

2021· preprint· en· W4251980527 sur OpenAlexafffund
Soheil Shafagh

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEnvironmental Science
ThématiqueErosion and Abrasive Machining
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésAbrasiveLagMachiningMaterials scienceBrittlenessChannel (broadcasting)Jet (fluid)MechanicsMechanical engineeringComposite materialComputer scienceEngineeringMetallurgyPhysicsElectrical engineering

Résumé

récupéré en direct d'OpenAlex

Abrasive jet micro-machining (AJM) uses compressed air carrying abrasive solid particles to micro-machine a variety of features into surfaces. If the features are smaller than a few mm, then a patterned erosion-resistant mask is used to protect the substrate material, leaving exposed areas to define the features. Previous investigations have revealed a ‘blast lag’ phenomenon in which, for the same dose of abrasive particles, the etched depth of micro-channels and holes tends to decrease as the features become narrower. Blast lag occurs when using AJM on brittle substrates because of the natural tendency to rapidly form a V-shaped cross-sectional profile which inhibits abrasive particle strikes on the narrow vertex at the feature centerline. In this thesis, for the first time, the blast lag phenomenon is studied when using AJM to machine a network of microfluidic channels. It is found that, in some cases, differences in blast lag occurring at channel intersections and within the channels themselves, can lead to channel networks of non-uniform depth. A previously developed surface evolution model is used to predict the onset of blast lag in the channels and intersections, and thus explain these differences. Finally, methods to eliminate the differences are discussed.

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 seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
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 Opus0,006
Tête enseignante GPT0,235
Écart entre enseignants0,229 · 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
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetErosion and Abrasive MachiningTravaux en français237 207