An experimental-cohesive zone model approach to predict fatigue life of adhesive joints with varying modes of loading and joint configurations for automotive applications
Notice bibliographique
Résumé
Predictive fatigue life models of adhesive joints are necessary to enable the assessment of automotive-bonded structures while reducing costly experimental testing. However, contemporary models have typically been calibrated for specific joint configurations and modes of loading, limiting their applicability to large-scale structures. Additionally, available models are based on simulation of cumulative fatigue cycling, making them computationally prohibitive. In the current study, cross-tension (CT) (load angles of 0°, 45°, and 90°) and single-lap shear joint (SLJ) configurations were bonded using an epoxy adhesive (BetaGuard CI6125R; PPG, France) used in automotive production (one part) and tested under fatigue cyclic loading. A total of nine joint configurations, having symmetrical (same material and thickness) and asymmetrical (dissimilar material or unequal thickness) joints, were tested. Fatigue tests at load levels between 25% and 75% of the static peak load were performed until joint failure or to runout (two million load cycles). The static tests of the joints were simulated to failure using finite element (FE) models with the cohesive zone method (CZM). The maximum strain energy release rates (Gmax) were calculated within the adhesive bond line at static loads corresponding to the peak loads of the fatigue tests. The Gmax values, computed from single cycle, specimen-specific FE simulations, were correlated with the measured fatigue life (Nf) of the adhesive joints with varying modes of loading and joint configurations. The fatigue life prediction model, based on Gmax−Nf correlation and following a crack propagation approach, predicted the cycles to failure for 85% of the fatigue tests, and 81% of the independent validation tests. The proposed fatigue life prediction approach provides computational efficiency and large-scale compatibility.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».