MétaCan
Menu
Retour à la cohorte
Enregistrement W4307266377 · doi:10.3390/pr10112171

Numerical Prediction of the Performance of Chamfered and Sharp Cutting Tools during Orthogonal Cutting of AISI 1045 Steel

2022· article· en· W4307266377 sur OpenAlexaff
Zakaria Ahmed M. Tagiuri, Thiên-My Dao, A. M. Samuel, Victor Songméné

Notice bibliographique

RevueProcesses · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced machining processes and optimization
Établissements canadiensÉcole de Technologie Supérieure
Organismes subventionnairesnon disponible
Mots-clésChamfer (geometry)Materials scienceMachiningFinite element methodComposite materialStress (linguistics)Structural engineeringMetallurgyMathematicsGeometryEngineering

Résumé

récupéré en direct d'OpenAlex

This paper presents a numerical investigation of the effects of chamfered and sharp cemented carbide tools using finite element method-based DEFORM-2D software and cutting parameters on different machining characteristics during the orthogonal cutting of AISI 1045 steel. The objective is to study the interactions between chamfer width, chamfer angle, sharp angle and the cutting speed and feed rate on the cutting temperature, effective stress and wear depth. These effects were investigated statistically using the analysis of variance (ANOVA) test. The obtained numerical results showed that for the chamfer tool, high values of temperature, stress and wear depth were obtained for chamfer widths of 0.35 mm and 0.45 mm. In terms of combined influences, for the cutting temperature and stress, a strong interaction between the cutting speed and chamfer width was obtained. For the sharp tool design, and in terms of temperature, strong interactions are mostly observed between cutting speeds and feed rates. The ANOVA showed that for both chamfer and sharp tools, the feed rate, the cutting speed and their interactions are the most significant parameters that influence temperature and stress.

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)0,001
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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
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 savante0,0000,000
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 Opus0,009
Tête enseignante GPT0,194
Écart entre enseignants0,185 · 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'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

Citations6
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProcessesMême sujetAdvanced machining processes and optimizationTravaux en français237 207