DÉVELOPPEMENT D’UN MODÈLE SEMI-EMPIRIQUE POUR LA PRÉDICTION DE LA COHÉRENCE D’UN JET UTILISÉ DANS LES PROCÉDÉS DE RECTIFICATION
Bibliographic record
Abstract
La productivité des procédés de rectification par dressage continu (Continuons Dress Creep Feed - CDCF) est principalement limitée par les marques de brûlure générées sur les surfaces usinées lorsque des paramètres de coupe trop agressifs sont utilisés. Ce problème peut être résolu en améliorant l’application du fluide de refroidissement dans la zone rectifiée en utilisant des buses à jet cohérent. Afin d’étudier l’influence des paramètres de conception d’une buse sur la cohérence du jet de refroidissement tout en diminuant les coûts et le temps associé à une approche expérimentale, le présent travail illustre comment élaborer un modèle semi-empirique qui permet de prédire la cohérence physique d’un jet de fluide de refroidissement à base d’eau produit par une buse de type Webster en utilisant principalement des résultats de dynamique des fluides numérique (CFD). Un minimum de résultats expérimentaux est requis pour définir ce modèle qui utilise l’ouverture des profils de vitesse numérique pour faire sa prédiction. Nos résultats ont montré que le modèle semi-empirique développé, en utilisant notre approche, permet de prédire la cohérence d’un jet de fluide de refroidissement avec moins de 4% d’erreur.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".