Short fatigue crack growth sensitivity to thermo-mechanical fatigue loading
Notice bibliographique
Résumé
Most high-temperature components are subject to out-of-phase thermomechanical fatigue (OP-TMF), which induces crack growth at low temperatures. However, OP-TMF has been little studied in the context of short cracks. This study focuses on the experimental sensitivity of OP-TMF loading conditions playing on temperature range, gradient, and dwell time for thin sheet superalloy specimens. The material of interest is a Co-based superalloy, HA188. It is widely used in combustion chambers. The experimental analysis is based on full-field measurements for temperature, strain and damage by infrared thermography, digital image correlation and high resolution images from 300 to 900 °C. The main conclusion is that the temperature gradient, together with the temperature amplitude, largely determines the strain amplitude and subsequent fatigue crack growth rate (FCGR) of short cracks. In situ measurements of damage and crack closure were obtained using supervised machine learning based on images. This clarifies that crack closure is only partial and that the crack network growth rate is consistent with the individual short crack growth rate. Finally, 3D finite element analysis considering realistic temperature field and strain energy based FCGR model was able to evaluate the fatigue life in this context. It is shown that the OP-TMF FCGR is very close to the FCGR of the maximum temperature of the TMF cycle due to partial crack closure. • TMF loading parameters have been varied in both temperature amplitude and gradient. • These temperature parameters drive the strain amplitude. • Short crack growth is sensitive to strain amplitude for a given maximum temperature. • Supervised machine learning yields access to in situ crack closure analysis. • Fatigue crack growth rate is similar for OP-TMF and maximum temperature isothermal testing.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».