Aplicação do método de elementos finitos para analise do efeito torcional em semieixo de caminhão
Bibliographic record
Abstract
O desenvolvimento da indústria automobilística é fortemente influenciado pela expansão tecnológica, no qual se unem por meio de pesquisas, ensaios experimentais e procedimentos computacionais, que a cada dia estão mais precisos, dinâmicos e ágeis. A análise de resistência e desempenho de componentes mecânicos em projetos de veículos são de grande relevância para o setor, exemplificando os semieixos de caminhões. Este semieixo é responsável por transferir energia do diferencial para as rodas gerando a movimentação do veículo. Estes componentes estão continuamente sujeitos a carregamentos estáticos e dinâmicos passíveis de falhas podendo romper catastroficamente. Este trabalho tem como objetivo analisar o efeito da torção na resistência mecânica de semieixos utilizados em transmissão automotiva, aplicando o método de elementos finitos. As simulações foram realizadas utilizando o software ANSYS® Workbench 14.0, a fim de estudar o comportamento da peça quando submetido à torção. Os resultados obtidos na simulação numérica mostraram elevada concentração de tensão cisalhante no rebaixo das estrias do semieixo, coincidindo com a localização da fratura presente em um estudo de caso real.
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) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| 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".