Pengaruh Kedalaman Pemakanan dan Feedrate pada Mesin Frais Terhadap Hasil Getaran dan Kekasaran Permukaan
Notice bibliographique
Résumé
Proses permesinan dengan mesin frais merupakan salah satu metode utama dalam industri manufaktur untuk menghasilkan komponen dengan bentuk kompleks dan akurasi tinggi. Kualitas hasil pemotongan sangat dipengaruhi oleh parameter permesinan, terutama kedalaman pemakanan dan kecepatan pemakanan (feedrate). Penelitian ini bertujuan untuk menganalisis pengaruh kedalaman pemakanan dan feedrate terhadap getaran serta kekasaran permukaan dalam proses permesinan menggunakan mesin frais. Material benda kerja yang digunakan adalah baja karbon rendah ST42. Parameter permesinan yang divariasikan meliputi kecepatan pemakanan sebesar 16 mm/min, 21 mm/min, dan 41 mm/min, serta kedalaman pemakanan 1 mm dan 2 mm. Pengukuran getaran dilakukan menggunakan Lutron VT-8204 dan kekasaran permukaan dianalisis menggunakan Mitutoyo SJ-310. Hasil penelitian menunjukkan bahwa peningkatan kecepatan pemotongan pada kedalaman pemakanan 1 mm menyebabkan peningkatan kekasaran permukaan, dengan nilai tertinggi sebesar 6.46 µm. Sebaliknya, pada kedalaman pemakanan 2 mm, peningkatan kecepatan pemotongan cenderung menurunkan kekasaran permukaan, dengan nilai terendah 2.68 µm pada kecepatan potong 41 mm/min. Getaran terbesar terjadi pada kecepatan pemotongan tertinggi, sementara pada beberapa kondisi, variasi getaran tidak signifikan.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,002 |
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 ».