GPU-accelerated meshfree computational framework for modeling the friction surfacing process
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract: This study presents a meshfree framework for modeling the friction surfacing (FS) process using the smoothed particle hydrodynamics (SPH) method. The framework leverages GPU computing to address the computational demands of SPH, incorporates optimization techniques such as particle switching and sub-domain division to enhance simulation time efficiency, and integrates artificial viscosity, artificial stress, and kernel correction for simulation stability. A novel criterion for material separation based on joining temperature and critical shear stress is proposed for the rod material, providing accurate results in terms of the deposited material to the substrate during FS. Furthermore, the model is successfully validated to experimental observations of FS of the aluminum alloy AA5083 in terms of axial force, temperature profiles, and deposit geometries, proving the main dependencies of process parameters on deposit width and thickness. The SPH model provides in-depth insight into the deposition mechanisms, particularly illustrated in terms of material flow, deposited material distribution, and rod flash formation, aligning well with experimental findings. The simulations confirm the deposit shift toward the advancing side, where the maximum temperature is also observed. High plastic strain is concentrated in the rod flash and deposit, with higher values on the advancing side than the retreating side. The validated 3D SPH model provides a robust tool for predicting the thermo-mechanical behavior in FS processes, offering insights to advance the understanding and optimization of this deposition technique.
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.
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 | 0,001 |
| 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 découle