MétaCan
Menu
Retour à la cohorte
Enregistrement W4302759761 · doi:10.1088/1361-665x/ac980e

3D printed multi-material polylactic acid (PLA) origami-inspired structures for quasi-static and impact applications

2022· article· en· W4302759761 sur OpenAlexafffund
Anastasia L. Wickeler, Hani E. Naguib

Notice bibliographique

RevueSmart Materials and Structures · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Materials and Mechanics
Établissements canadiensUniversity of TorontoUniversity of New Brunswick
Organismes subventionnairesNatural Resources Canada
Mots-clésPolylactic acidFinite element methodStructural engineeringCompression (physics)Square (algebra)Drop test3d printedMaterials scienceComposite materialMechanical engineeringEngineeringGeometryMathematicsPolymerManufacturing engineering

Résumé

récupéré en direct d'OpenAlex

Abstract Origami patterns can be used to inspire the designs of structural materials with beneficial properties, such as low strength-to-weight ratios. This study explores the design, manufacturing, and mechanical properties of three different origami-inspired shapes, as well as three different material combinations for each shape, through dynamic impact testing and quasi-static compression testing. The commonly studied Miura origami pattern will be compared to two uncommon patterns: a square-based pattern and a triangular-based pattern. The samples are 3D printed and the material combinations include one rigid and one flexible polylactic acid (PLA) sample, and one multi-material configuration with flexible PLA crease areas and rigid PLA origami faces. The rigid square sample was the most effective at absorbing a single drop-weight impact load and the flexible Miura pattern was most effective at absorbing impact loads when multiple drops were performed on the same sample. The rigid triangular structure withstood the highest loads during the quasi-static compression testing. A finite element model of the quasi-static compression test was built to enhance the analysis of the various tested configurations.

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)
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 enseignants0,069
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)0,0000,000

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 Opus0,012
Tête enseignante GPT0,259
Écart entre enseignants0,248 · 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

Citations6
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSmart Materials and StructuresMême sujetAdvanced Materials and MechanicsTravaux en français237 207