Modélisation du comportement micromécanique des alliages de titane en dwell-fatigue par la méthode des automates cellulaires
Bibliographic record
Abstract
Dans cette étude, des modèles mathématiques basés sur la méthode des automates cellulaires (AC) sont développés afin de modéliser le comportement des microstructures de titane en élasticité, élastoplasticité et en dwell fatigue. Au sein de ces AC, il sera possible d’identifier \nles cellules qui, selon des critères d’endommagement définis, peuvent être favorables à l’amorçage de fissures. Les résultats du modèle AC en élasticité et en élastoplasticité sont comparés avec un modèle d’éléments finis (ÉF) décrivant des agrégats polycristallins dans le but de valider les modèles des AC. Des simulations en fatigue/fluage sont également faites et les résultats du modèle AC sont comparés avec des observations expérimentales. Les distributions de contraintes et de déformations locales, l’effet d’entraînement du voisinage, les contraintes résiduelles et le comportement des cellules critiques sont étudiés et discutés. À la fin de l’étude, la méthode des AC est validée comme un moyen intéressant pour étudier le comportement microstructural des matériaux. Grâce à sa simplicité, cette méthode peut modéliser et permettre d’étudier des comportements très complexes et cela pour un grand nombre de cycles.
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 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| 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".