Effects of wax and graphene concentrations on cutting force in drilling GFRP composites: A comprehensive study using a full factorial design of experiments
Notice bibliographique
Résumé
This study investigates the effects of varying concentrations of wax (0%, 1%, and 2%) and graphene (0%, 0.25%, and 2%) on cutting forces during the drilling of Glass Fiber Reinforced Polymer (GFRP) composites. A full factorial design of experiments (DOE) was employed to evaluate the interaction between these variables. Wax enhances lubrication and reduces friction, while graphene contributes to material strength and thermal conductivity, thus affecting machining performance. GFRP samples with different wax and graphene concentrations were prepared using a consistent mixing process. Cutting forces were measured during drilling, and normality tests confirmed that the data followed a normal distribution, allowing for the use of parametric statistical methods. Regression models were developed to assess the impact of different concentrations on cutting force, with t-tests evaluating the significance of the factors. The results indicated that the optimal combination for minimizing cutting forces was 1% wax and 0.25% graphene. This study highlights the importance of adjusting wax and graphene concentrations to optimize drilling performance, offering insights into the most effective combinations for reduced cutting forces. The predictive accuracy of the regression models was high, with R 2 values of 0.95 and 0.90, respectively.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».