ARTIFICAL INTELLIGENCE SUPPORTED APPLICATION FOR EXPLOSIVE CLADDING PROCESS SPECIFICATION
Notice bibliographique
Résumé
<p>Explosive cladding is becoming increasingly widespread in the field of metalworking<br />technologies. The advantage of this technology is that it cannot be combined with other<br />welding technologies, and dissimilar metals can be joined by cohesion joint. The wide range<br />of materials and the different properties of metallic materials (modulus of elasticity, tensile<br />strength, hardness, ductility, etc.) are the reasons for the difficulty of determining the welding<br />process specification. In addition, many explosives (with blast velocities below the speed of<br />sound) are suitable for creating the appropriate bond strength. AI is a good tool for several<br />applications and process parameter calculations. The innovative application supported by AI<br />can help the welding engineer in the explosive welding process parameter determinations.<br />For the welding process, the engineer chooses suitable metal and explosive materials. AI,<br />based on the explosive material parameters and the metallic materials' mechanical properties,<br />calculate the explosive welding setup parameters. In this article, the algorithm of the<br />application and the theoretical and practical elements of the technological design are<br />presented in detail. The developed application facilitates the technological design of the<br />otherwise complex blast welding process.</p>
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 | 0,002 |
| 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 ».