MétaCan
Menu
Retour à la cohorte
Enregistrement W4366674889 · doi:10.4050/f-0077-2021-16899

Quick Iteration Algorithm for Cylindrical Gear Contact Pattern Development

2021· article· en· W4366674889 sur OpenAlexaff

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueGear and Bearing Dynamics Analysis
Établissements canadiensLockheed Martin (Canada)
Organismes subventionnairesnon disponible
Mots-clésContact analysisNon-circular gearContact mechanicsTooth surfaceFinite element methodBendingPressure angleContact areaMechanical engineeringStructural engineeringSpiral bevel gearEngineeringComputer scienceMaterials science

Résumé

récupéré en direct d'OpenAlex

Gear load is transmitted by the engaged gear teeth. The load distribution on the engaged tooth surfaces directly determines gear tooth stress status and service life. The contact pattern, gear tooth contact pressure distribution, directly alters the maximum contact and bending stresses, is critical for drive system designs. For a real gear train, the deformations of gear blank, bearing, housing, etc. contribute to contact pressure distribution. It consequently changes local contact pressure and bending stress. To accurately predict the gear contact pressure and bending stress in service, the interaction of whole gear train components needs to be modeled in the gear tooth contact analysis. It is not computational efficient for general purpose FEA packages. Transmission3D (Calyx) is designed for gear contact pattern simulation for given gear tooth surface geometry. When the contact pattern deviates from the design target, how to design a new gear tooth geometry is an open issue and discussed in this paper. Inverse engineering concept with Boussinesq solution is invoked and implemented through Excel macro for gear tooth surface microgeometry design. The design iteration based on this developed method is fast and low cost for gear pattern development.

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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,025
Score d'incertitude au seuil0,084

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0250,006

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 Opus0,010
Tête enseignante GPT0,215
Écart entre enseignants0,205 · 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
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetGear and Bearing Dynamics AnalysisTravaux en français237 207