Initiative sur le soudage laser à haute productivité, un projet de collaboration multipartite par le groupe de recherche et développement industriel METALTec du CNRC
Bibliographic record
Abstract
Ces dernières années, les applications en soudage laser sont en constante augmentation dans différentes industries, notamment dans le secteur du transport. Pour augmenter la productivité d'une cellule de soudage laser, un projet de collaboration multipartenaires est défini dans le cadre du groupe industriel de R&D METALTec, qui compte plus de 25 membres et partenaires issus de l’industrie, du milieu académique et des centres de recherche. Le lancement et les progrès de ce projet sont rendus possibles grâce à la collaboration importante de nombreuses femmes, notamment Mélissa Després, chef de programme META; Marie Christine Gagnon, gestionnaire du groupe METALTec; Julie Menier, gestionnaire de projet; Marie-Frédérique Biron, conseillère en contrats stratégiques; Fatemeh Mirakhorli, chercheuse/experte en soudage laser; Myriam Poliquin et Geneviève Simard, agentes techniques ainsi que Lorraine Blais, collaboratrice industrielle. Il importe de mentionner que ce projet est réalisé en collaboration avec plusieurs collègues masculins, notamment François Nadeau, chef technique en fabrication avancée de composantes allégées, et David Prud'homme, chef des relations avec les membres. L'objectif principal de ce projet sera de développer une cellule de soudage laser intelligente pour l’industrie 4.0 en utilisant des systèmes de contrôle multi-capteurs et d'inspection laser ultrasonique en ligne avec des méthodes d'apprentissage machine.
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 | 0.016 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.027 | 0.009 |
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".