MétaCan
Menu
← Back to cohort
Record W7067101153

La performance mécanique des pièces en PLA allégées produites par impression 3D

2018· other· fr· W7067101153 on OpenAlexfundno aff

Bibliographic record

VenueKnowledge UdeS (Institutional Deposit of the University of Sherbrooke) · 2018
Typeother
Languagefr
FieldDecision Sciences
TopicScientific Computing and Data Management
Canadian institutionsnot available
FundersFonds de recherche du Québec – Nature et technologies
KeywordsLimitingFilter (signal processing)Process (computing)Context (archaeology)
DOInot available

Abstract

fetched live from OpenAlex

Les matériaux allégés à haute performance sont désirés dans diverses applications d’ingénierie. La réduction du poids est souvent réalisée par l’incorporation des structures cellulaires dans la conception des pièces. Les méthodes conventionnelles pour la fabrication des structures cellulaires utilisées, par exemple, comme âmes des panneaux en sandwich requièrent plusieurs étapes et sont limitées dans leur capacité à fabriquer différentes géométries cellulaires. Ceci augmente le coût de la fabrication des pièces allégées. L’impression 3D offre une grande flexibilité géométrique par rapport aux méthodes conventionnelles pour contrôler la microarchitecture. La fabrication par filament fondu (FFF) est l’une des méthodes d’impression 3D les plus utilisées et le polylactide (PLA) est l’un des matériaux de choix pour fabriquer les pièces. Dans l’optique de la fabrication des pièces allégées, l’utilisation de l’impression 3D est attrayante. L’objectif du présent travail a donc été de déterminer la relation entre les paramètres de fabrication et la performance mécanique des pièces allégées produites par impression 3D. La performance mécanique, caractérisée ici par les modules et les résistances en traction et en flexion, constitue un aspect important pour l’utilisation des pièces dans les applications d’ingénierie, mais elle dépend des paramètres de fabrication et de la direction de la sollicitation mécanique. Ainsi, la méthodologie utilisée dans ce projet a consisté à fabriquer les pièces en PLA allégées via une imprimante 3D FFF. Les pièces ont été fabriquées avec 1 et 3 périmètres extérieurs en incorporant cinq différentes structures cellulaires. La densité de remplissage des pièces a été variée à trois niveaux pour obtenir des pièces allégées à basse, moyenne et haute densité. Ceci a permis de comparer la performance mécanique des pièces allégées avec les modèles analytiques pour la mise à échelle du module et de la résistance avec la densité des matériaux cellulaires. Les essais mécaniques de traction et de flexion en 3-points ont été effectués pour déterminer le module et la résistance des pièces allégées dans trois différentes directions de sollicitations. La combinaison des résultats expérimentaux et des modèles analytiques a mené à l’élaboration d’un guide de conception des pièces allégées permettant de faire un choix optimal de la structure cellulaire à incorporer, du nombre de périmètres extérieurs, et de la densité de remplissage par rapport aux sollicitations mécaniques dans l’application d’ingénierie visée.

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 imitation

Not 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.

metaresearch head score (Codex)0.000
metaresearch head score (Gemma)0.001
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Bench or experimental · Consensus signal: Bench or experimental
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.999
Threshold uncertainty score0.014

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0000.001
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.000
Science and technology studies0.0000.000
Scholarly communication0.0010.001
Open science0.0000.000
Research integrity0.0010.000
Insufficient payload (model declined to judge)0.0040.001

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.

Opus teacher head0.026
GPT teacher head0.254
Teacher spread0.228 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designBench or experimental
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2018
Admission routes1
Has abstractyes

Explore more

Same venueKnowledge UdeS (Institutional Deposit of the University of Sherbrooke)→Same topicScientific Computing and Data Management→French-language works237,207→