MétaCan
Menu
Retour à la cohorte
Enregistrement W4281715719 · doi:10.3390/ma15124059

Tool Wear Prediction When Machining with Self-Propelled Rotary Tools

2022· article· en· W4281715719 sur OpenAlexaff
Usama Umer, Syed Hammad Mian, Muneer Khan Mohammed, Mustufa Haider Abidi, Khaja Moiduddin, Hossam A. Kishawy

Notice bibliographique

RevueMaterials · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced machining processes and optimization
Établissements canadiensOntario Tech University
Organismes subventionnairesKing Abdulaziz City for Science and Technology
Mots-clésMachiningTool wearMaterials scienceMechanical engineeringEngineeringEngineering drawingManufacturing engineering

Résumé

récupéré en direct d'OpenAlex

The performance of a self-propelled rotary carbide tool when cutting hardened steel is evaluated in this study. Although various models for evaluating tool wear in traditional (fixed) tools have been introduced and deployed, there have been no efforts in the existing literature to predict the progression of tool wear while employing self-propelled rotary tools. The work-tool geometric relationship and the empirical function are used to build a flank wear model for self-propelled rotary cutting tools. Cutting experiments are conducted on AISI 4340 steel, which has a hardness of 54-56 HRC, at various cutting speeds and feeds. The rate of tool wear is measured at various intervals of time. The constant in the proposed model is obtained using genetic programming. When experimental and predicted flank wear are examined, the established model is found to be competent in estimating the rate of rotary tool flank wear progression.

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 candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,445
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,006
Tête enseignante GPT0,173
Écart entre enseignants0,167 · 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'étudeSimulation ou modélisation
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

Citations10
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMaterialsMême sujetAdvanced machining processes and optimizationTravaux en français237 207