Modélisation numérique de la formabilité des alliages d’aluminium AA5052 et AA5083
Bibliographic record
Abstract
Le présent travail académique est réalisé dans le cadre d’un projet de recherche ayant comme partenaire le Centre de Technologies Avancées BRP-Université de Sherbrooke (CTA), l’université Laval (UL) et l’université de Sherbrooke (UdeS) elle-même. L’objectif principal de ce projet est de concevoir un châssis de véhicule récréatif en alliage d’aluminium optimisé afin d’en réduire le poids, le nombre de pièces et le coût tout en offrant de bonnes performances dynamiques en matière de comportement sur la route et une bonne fiabilité. Le sujet du présent ouvrage s’inscrit donc dans ce projet de grande envergure et consiste à développer des outils de modélisation numérique permettant de faciliter la conception et l’optimisation de composants structuraux en tôles minces d’aluminium. \nPour ce faire, il est question d’évaluer la formabilité des alliages AA5052 et AA5083 et de simuler leur comportement mécanique à l’aide d’outils de simulation numérique. En effet, lors de la conception d’une pièce en tôle mince formée par emboutissage, il est très pertinent de connaître les états limites de l’alliage en question. Ceci permet en fait d’évaluer la faisabilité de la pièce en question. \nAfin d’atteindre ces objectifs, plusieurs essais mécaniques comme l’essai de traction ainsi que l’essai de compression plane ont été effectués afin d’évaluer les propriétés mécaniques des alliages choisis sous des chargements monotones. De plus, les états limites des alliages en matière de déformation ont été déterminés à l’aide de l’essai de Nakazima, ce qui a permis d’obtenir les courbes limites de formabilité de ces alliages. \nCes données ont ensuite permis l’établissement de modèles numériques permettant de simuler le comportement des alliages d’aluminium à l’étude lors d’un procédé de formage. Afin d’obtenir un modèle se collant le plus possible à la réalité, l’influence du choix de la loi d’écoulement et l’influence du critère de plasticité ont été étudiées.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.003 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".