MétaCan
Menu
Retour à la cohorte
Enregistrement W4403013138 · doi:10.1016/j.precisioneng.2024.09.022

Rethinking wire electrical discharge machining: A case for engineering thick wires to enhance performance

2024· article· en· W4403013138 sur OpenAlexafffund
Akshyn Biman-Telang, Philip Koshy, Daniel Schulze Brock, Ugur Küpper, A. Klink, Tim Herrig, Thomas Bergs

Notice bibliographique

RevuePrecision Engineering · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Machining and Optimization Techniques
Établissements canadiensMcMaster University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaAlexander von Humboldt-Stiftung
Mots-clésElectrical discharge machiningMachiningMaterials scienceMechanical engineeringEngineeringManufacturing engineering

Résumé

récupéré en direct d'OpenAlex

The widespread application of wire electrical discharge machining (WEDM) continues to be impeded by its low cutting rate, which in large part stems from constraints related to wire failure. This research therefore explored the implications of utilizing wires thicker than the industry-standard 0.25 mm diameter wire. Given that modern WEDM machines are limited to a maximum wire diameter of only 0.4 mm, a combination of numerical and experimental approaches was adopted to compute the optimal wire diameter in consideration of the competing influences of higher machining power and larger kerf width associated with thicker wires, and to project the corresponding cutting rates. The research offers new insights into phenomena underlying wire break, and underscores the significant prospects towards enhancing process performance by re-examining WEDM in terms of thick wires. • Application of wires thicker than that used in conventional wire-EDM is explored. • Wire diameter is optimized by considering volumetric removal rate and kerf width. • Wire diameter optimization entailed models for wire failure and removal rate. • Fundamental insights into phenomena underlying wire break are revealed. • Thicker wires are projected to correspond to a manyfold increase in cutting rate.

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)0,003
score de la tête « metaresearch » (Gemma)0,004
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: aucune
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0020,004
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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 Opus0,009
Tête enseignante GPT0,265
Écart entre enseignants0,256 · 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

Citations5
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePrecision EngineeringMême sujetAdvanced Machining and Optimization TechniquesTravaux en français237 207