MétaCan
Menu
Retour à la cohorte
Enregistrement W4252394490 · doi:10.32920/ryerson.14652027

Cryogenic Abrasive Jet Machining of Polydimethylsiloxane and Polytetrafluoroethylene at Different Temperatures

2021· preprint· en· W4252394490 sur OpenAlexaff
Aaron Glenn Gradeen

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEnvironmental Science
ThématiqueErosion and Abrasive Machining
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésPolydimethylsiloxaneMaterials sciencePolytetrafluoroethyleneMachiningComposite materialAbrasiveErosionSubstrate (aquarium)Particle (ecology)PolymerJet (fluid)Carbon fibersMetallurgy

Résumé

récupéré en direct d'OpenAlex

The temperature dependence of the solid particle erosion of polydimethylsiloxane (PDMS), polytetrafluoroethylene (PTFE) and high carbon steel using aluminum oxide particles was investigated. The most efficient machining of PDMS occurred at approximately -178°C, at angles of attack between 30° and 60°. Although it was demonstrated that PDMS could be machined at temperatures above its glass transition, the erosion rate increased by a factor of more than 10 when the machining temperature was below this point. The maximum erosion in PTFE occurred at the coldest temperature of -177°C between the angles of 30 and 90°. This scenario improved the erosion rate by more than a factor of five. The erosion rate in high carbon steel was increased approximately twofold when lowering the temperature from 17°C to -177°C. The surface evolution results presented can be used to predict feature shapes both polymers while minimizing cooling costs, minimizing mask wear or maximizing substrate erosion.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,199
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,005
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0090,000

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 Opus0,011
Tête enseignante GPT0,245
Écart entre enseignants0,234 · 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 tête enseignante, pas un consensus.

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

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetErosion and Abrasive MachiningTravaux en français237 207