MétaCan
Menu
Retour à la cohorte
Enregistrement W4383215463 · doi:10.1016/j.jcomc.2023.100381

Optimization of fiber orientation and layer thickness in thin carbon fiber-reinforced plastic curved structures

2023· article· en· W4383215463 sur OpenAlexfundno aff
Haruya Tanaka, Yuto Mori, Naoya Kumekawa, Ryosuke Matsuzaki

Notice bibliographique

RevueComposites Part C Open Access · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueAdditive Manufacturing and 3D Printing Technologies
Établissements canadiensnon disponible
Organismes subventionnairesJapan Science and Technology AgencyCouncil for Science, Technology and InnovationSwine Innovation Porc
Mots-clésMaterials scienceLaminationComposite materialMolding (decorative)FiberDisplacement (psychology)Layer (electronics)Orientation (vector space)GeometryMathematics

Résumé

récupéré en direct d'OpenAlex

In automated carbon fiber-reinforced plastic (CFRP) lamination technologies, such as AFP, the design of the path for accurate tape application is challenging. Therefore, a molding technology that allows the use of variable tape widths and thicknesses, which are fixed in previous methods, is currently being developed. Fiber orientation and layer thickness should be optimized in a 2D plane. However, for structures with free-form surfaces, such as propellers, three-dimensional (3D) manufacturing design becomes necessary. A method is proposed here for optimizing the fiber orientation and layer thickness of a prepreg tape for a 3D propeller model with a curved surface structure. This method enables curve boundary-agnostic tape lines, by projecting curves created on a two-dimensional plane onto a curved surface. Multi-objective optimization with displacement and weight as objective functions reduced the displacement by 20.0% while maintaining strength. These results are likely to be informative for weight reduction and manufacturing design of CFRP structural components.

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)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
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 Opus0,037
Tête enseignante GPT0,308
Écart entre enseignants0,271 · 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'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

Citations9
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueComposites Part C Open AccessMême sujetAdditive Manufacturing and 3D Printing TechnologiesTravaux en français237 207