Étude du polissage automatique des granits
Bibliographic record
Abstract
L'émission des poussières issues des opérations de polissage contient des particules fines (micrométriques) et ultrafines (nanométriques) ayant la capacité de s'accumuler en profondeur dans le système respiratoire et ainsi causé des graves maladies, dont la silicose. La réglementation au Canada prévoit ainsi une VEMP (valeur d’exposition moyenne pondérée) de 0,1 mg/m3 dans les industries de transformation des matériaux contenant le quartz. Cette limite va sans doute être abaisée prochainement pour suivre celle des États-Unis qui est de 0.05 mg/m3 depuis 2016. De ce fait, la recherche des moyens de réduction ou d’élimination des risques d’exposition aux poussières issues de l'usinage du granit constitue une urgence et un grand défis auquel les industriels font face. C’est dans ce sens que la presente étude a été faite. \n \nUn plan d’expérience a été mis sur pied pour étudier les influences de la trajectoire de l’outil et des paramètres de polissage sur l’émission des particules et le fini de surface tout au long du polissage à sec (ébauche plus finition). Les facteurs du plan d’expérience sont : la vitesse de coupe, la vitesse d’avance, la taille de grit et les trajectoires de l’outil ( rectiligne, arc et spirale). Une optimisation des paramètres de coupe est ensuite réalisée. \n \nLa trajectoire de l’outil s’avère être un facteur significatif pour les concentrations des particules issues du polissage de granit. Nous avons pu déterminer le type de trajectoire et les conditions de polissage (vitesse et avance) qui permettent d’obtenir moins de particules de poussières tout en garantissant un bon état de surface. Il est demontré que la combinaison adéquate des paramètres de coupe et de la trajectoire peut ainsi réduire les émissions de particules lors du polissage du granit à sec.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.000 |
| 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".