MétaCan
Menu
Retour à la cohorte
Enregistrement W4402839135 · doi:10.1111/ffe.14447

Comparative assessment of Ti‐6Al‐4 V titanium alloy fatigue life improvement by vibratory peening, shot peening, and vibratory finishing

2024· article· en· W4402839135 sur OpenAlexafffund
Maxime Paques, Apratim Chakraborty, Benoît Changeux, Hong Miao, Waqas Muhammad, S. Turenne, Kaan Inal, Étienne Martin

Notice bibliographique

RevueFatigue & Fracture of Engineering Materials & Structures · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueSurface Treatment and Residual Stress
Établissements canadiensUniversity of WaterlooPolytechnique Montréal
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésShot peeningMaterials sciencePeeningMetallurgyLaser peeningTitanium alloyAlloyFatigue limitResidual stress

Résumé

récupéré en direct d'OpenAlex

Abstract The effects of vibratory peening (VP), shot peening (SP), and SP followed by vibratory finishing (SPVF) on the surface and fatigue properties of Ti‐6Al‐4 V were compared to conventional low‐stress grinding (LSG). VP processing produced seven times smoother surface finish than SP and 66% deeper compressive residual stresses (CRS) but with 12% lower magnitudes. SPVF produced optimal surface properties with a perfectly flat surface and CRS‐like SP. All three mechanical surface treatments generated similar fatigue life improvements (108–122%) over LSG when the cyclic stress was below the yield stress. Above the yield stress, most of the CRS relaxed during the first cycle in VP specimens, resulting in up to 97% fatigue life improvement over LSG. The CRS relaxed more gradually in SP specimens leading to larger (up to 239%) fatigue life improvement. This shows the need to amplify CRS magnitudes produced in VP to maximize fatigue life improvement.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
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)0,0010,000

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 Opus0,019
Tête enseignante GPT0,276
Écart entre enseignants0,257 · 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

Citations7
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFatigue & Fracture of Engineering Materials & StructuresMême sujetSurface Treatment and Residual StressTravaux en français237 207