Tolérance aux dommages de perçages dans les assemblages boulonnés composites
Bibliographic record
Abstract
Les structures composites sont de plus en plus présentes dans le domaine aéronautique. En service, ces structures sont sujettes à des charges statiques et dynamiques. Le perçage, procédé d\textquoterightusinage qui permet le montage de fixations mécaniques pour assembler ces structures, crée des défauts tels que délaminage, écaillage, arrachements de fibres, surchauffes de la paroi du trou. Ces défauts peuvent avoir des effets néfastes sur le comportement statique e t en fatigue des structures composites. Les caractéristiques mécaniques pour lesquelles une influence est possible sont : la rigidité, les résistances en traction et compression en statique ou en fatigue pour des trous habités ou non. Dans ce travail, les relations entre les paramètres de perçage, le matériau de l\textquoterightoutil, sa géométrie et la qualité des alésages mesurée par les critères standards d\textquoterightétat de surface ont été établies. Un critère de qualité des parois de trou pour les matériaux composites autre que les critères normalisés a été proposé et une corrélation est établie entre la qualité de la paroi et la tenue en matage pur à l\textquoterightaide d\textquoterightune étude numérique et expérimentale couplée.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 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".