MétaCan
Menu
Retour à la cohorte
Enregistrement W4317583828 · doi:10.2514/6.2023-1318

Fail-Safe Prediction for Bonded Composite Structures Using Discrete Damage Modeling

2023· article· en· W4317583828 sur OpenAlexaff
Vijay Goyal, Kevin H. Hoos, Wei‐Tsen Lu, Endel V. Iarve

Notice bibliographique

RevueAIAA SCITECH 2023 Forum · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueMechanical Behavior of Composites
Établissements canadiensLockheed Martin (Canada)
Organismes subventionnairesnon disponible
Mots-clésStructural engineeringStiffnessFinite element methodJoint (building)CantileverMaterials scienceFracture (geology)Failure mode and effects analysisDamage toleranceWork (physics)Composite numberComposite materialComputer scienceEngineeringMechanical engineering

Résumé

récupéré en direct d'OpenAlex

View Video Presentation: https://doi.org/10.2514/6.2023-1318.vid Modern aircraft design uses composites for their outstanding strength, stiffness, and lightweight properties of these materials. The bonded composites require a fail-safe design, where the structure retains adequate strength for the service period between inspections or maintenance. This may take the form of alternate load paths and crack arrestment features. Since adhesive debonding is a critical failure method in bonded unitized structural components, understanding the behaviors of the bondline in both pure mode and mixed mode fracture is vital for understanding and predicting mechanical performance. The FASTBUCS program aims to develop a validation methodology for such structures through inspection methods, structural testing, and progressive damage analysis. This work uses Discrete Damage Modeling within the finite element code BSAM to capture structural elements with and without crack-arresting fasteners in a Pi-Joint stiffened panel under various types of loading. The results show that BSAM can replicate crack arrestment using fasteners in mode II loading. In addition, models without crack arresting features for Pi Cantilever Beam and a combined loading test article are also 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)0,001
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 enseignants0,008
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,031
Tête enseignante GPT0,276
Écart entre enseignants0,245 · 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

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAIAA SCITECH 2023 ForumMême sujetMechanical Behavior of CompositesTravaux en français237 207