MétaCan
Menu
Retour à la cohorte
Enregistrement W4398766880 · doi:10.1201/9781003450252-59

Machining of titanium alloys by using micro abrasive jet machine: an experimental investigation

2024· book-chapter· en· W4398766880 sur OpenAlexaboutno aff
Vinod V. Vanmore, Uday A. Dabade

Notice bibliographique

Revuenon disponible
Typebook-chapter
Langueen
DomaineEngineering
ThématiqueAdvanced machining processes and optimization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMaterials scienceMachiningAbrasiveMetallurgyTitanium alloyJet (fluid)TitaniumMachine toolMechanical engineeringEngineeringAlloyAerospace engineering

Résumé

récupéré en direct d'OpenAlex

Ceramics, silicon, glass, titanium and nickel alloys, and other difficult-to-cut materials are now widely used in the MEMS, electronic device, and aerospace industries. The increased cost is due to the machining of these materials. One of these materials’ most convenient micromachining technologies is micro abrasive jet machining (MAJM). This method has several distinct advantages, including a small heat-affected zone, low cutting forces, high machining versatility, and high flexibility. Fine abrasive particles (aluminum oxide or silicon carbide) and highly compressed air or gas (helium, nitrogen, or air) are directed on the target surface via a fine nozzle in this machining process. The abrasives exiting the nozzle at high speeds impinge on the target surface, causing material removal due to erosive action. This method had a very high etching rate compared to other micro-fabrication techniques. Furthermore, it does not require a clean room environment, making it particularly appealing for low-cost industrial practices for machining difficult-to-cut materials. This research aimed to create MAJM for difficult-to-machine materials like the titanium alloy (Ti-6Al-4V) plate. The new design and fabrication of the Laval nozzle were first reported in order to increase the machining productivity of micromachining. The circular cross-sectional nozzle was designed for high-speed, precise etching and patterning on difficult-to-machine materials. Using Taguchi’s design of experiment methodology, this study investigates the effect of various parameters such as air pressure, abrasive size, and standoff distance on machining performance. The analysis of variance (ANOVA) method was used to determine the significance of each factor. The developed MAJM experimental setup investigates whether the Laval nozzle reduces the dimensional variation of the machined hole.

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)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,015
Tête enseignante GPT0,249
Écart entre enseignants0,234 · 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

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdvanced machining processes and optimizationTravaux en français237 207