Propositions de résolution numérique des problèmes d'analyse de tolérance en fabrication : approche 3D
Notice bibliographique
Résumé
This research contributes to developing the solution techniques associated with the MMP (Model of manufactured part) simulation method developed by F.Villeneuve and F.Vignat for modeling the different geometrical deviation impacts on the part produced (error stack-up) in a multi-stage machining process. The model cumulates the impacts of various sources of manufacturing errors hence enabling tolerance analysis. The MMP simulation method beside the developed solution techniques allows the manufacturing engineers to evaluate a candidate process plan from a geometrical point of view. The developed solution techniques are classified into two categories: Search for finding the worst case (worst part produced) and stochastic method. The first approach of the first category uses the optimization algorithms to search for the worst case. A multi-layer optimization algorithm is developed in order to search for the worst case. The performance of two current optimization methods for worst case identification using this algorithm (genetic algorithm and sequential quadratic programming) has been studied. The second approach of the first category uses a combined solution technique which is built on the Canadian Jacobian torsor model and the French MMP model for tolerance analysis. This method uses the interval arithmetic. The second category consists in stochastic method which allows simulating a very large sample of production and analyzing the results from a statistical point of view. This method uses Monte Carlo simulation with a constrained random generator. The performance of the developed solution techniques is compared through 3D examples.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».