Desgaste do punção de forjamento a quente – mecanismos de desgaste
Bibliographic record
Abstract
A indústria automobilística é responsável pelo consumo por cerca de 60 % de todos os produtos forjados.Desenvolvido a milhares de anos, o forjamento passou por inúmeras melhorias e aperfeiçoamentos até tornar-se um processo de fabricação moderno e capaz de agregar inúmeras características importantes para os produtos de diversas aplicações.A demanda crescente por produtos forjados fomentou a busca por processos mais robustos nos quais as ferramentas de forjamento desempenham um papel relevante para o atingimento de lotes de produção maiores sem que haja detrimento da qualidade do produto.Este trabalho buscou identificar os modos de desgaste existentes em uma ferramenta de forjamento a quente, um punção, utilizada em uma prensa mecânica de acionamento excêntrico horizontal de múltiplos estágios destinada à fabricação de produtos para a indústria automobilística.Foi selecionada uma porca de roda forjada em aço SAE 1045 que possui demanda anual elevada e consequente necessidade de ferramentas.Utilizouse dois punções no forjamento, os quais foram fabricados em aço H-10 tratado termicamente para atingir dureza de 50-52 HRC.Esta análise possibilitou identificar os modos de desgaste nas diferentes regiões de uma ferramenta de forjamento a quente utilizada em prensa mecânica excêntrica horizontal de múltiplos estágios. INTRODUÇÃO
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".