Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "mishra" wg kryterium: Wszystkie pola

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    Friction Stir Welding/Processing of High Entropy Alloys (HEAs)
    Zgrzewanie tarciowe z przemieszaniem stopów o wysokiej entropii
    Autorzy:
    Mishra, Akshansh
    Powiązania:
    https://bibliotekanauki.pl/articles/1819236.pdf
    Data publikacji:
    2021
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    stop o wysokiej entropii
    zgrzewanie tarciowe z przemieszaniem
    high entropy alloy
    HEA
    friction stir welding
    friction stir processing
    Opis:
    The composition of High Entropy Alloys is quite different from the existing classical engineering alloys because in near equiatomic ratios they contain multiple principal alloying elements. Design and development of high entropy alloys is very important to overcome the shortcomings of conventionally used alloys in applications where operating conditions of temperature and loading are extreme. High entropy alloys generally find applications in compressor blades of an aerospace engine, energy, and transportation industries due to its low density and high strength. In order to enhance the application of high entropy alloys, the proper selection of a feasible welding process is very important. It has been observed that when high entropy alloys are subjected to the welding process other than the Friction Stir Welding process then it will result in reduced overall strength and lower hardness in the fusion zone and heat-affected zone. In this recent paper, the application of Friction Stir Welding for joining the high entropy alloys and also using Friction Stir Processing for improving the mechanical and microstructure properties of high entropy alloys are discussed.
    Projektowanie i opracowywanie stopów o wysokiej entropii jest bardzo ważne, aby przezwyciężyć niedociągnięcia konwencjonalnie stosowanych stopów w zastosowaniach, w których warunki pracy, takie jak temperatura i obciążenie, są ekstremalne. Stopy o wysokiej entropii zwykle znajdują zastosowanie w łopatkach sprężarek silników lotniczych, energetyce i transporcie ze względu na ich niską gęstość i wysoką wytrzymałość. Aby usprawnić stosowanie stopów o wysokiej entropii, bardzo ważny jest właściwy dobór możliwego do wykonania procesu spawania. Zaobserwowano, że gdy stopy o wysokiej entropii zostaną poddane procesowi spawania innemu niż proces zgrzewania tarciowego z mieszaniem, to spowoduje to zmniejszoną ogólną wytrzymałość i niższą twardość w strefie topienia i strefie wpływu ciepła. W artykule omówiono zastosowanie zgrzewania tarciowego z przemieszaniem do łączenia stopów o wysokiej entropii, a także zastosowanie tarciowej modyfikacji z przemieszaniem do poprawy właściwości mechanicznych i mikrostrukturalnych tych stopów.
    Źródło:
    Welding Technology Review; 2021, 93, 1; 27--33
    0033-2364
    2449-7959
    Pojawia się w:
    Welding Technology Review
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Local binary pattern defect recognition approach for the friction stir welded AA 1200 and AA 6061-T6 aluminum alloy
    Autorzy:
    Mishra, Akshansh
    Powiązania:
    https://bibliotekanauki.pl/articles/95297.pdf
    Data publikacji:
    2020
    Wydawca:
    Politechnika Koszalińska. Wydawnictwo Uczelniane
    Tematy:
    local binary patterns
    friction stir welding
    machine learning
    surface defects
    lokalne wzorce binarne
    zgrzewanie tarciowe z mieszaniem materiału
    zgrzewanie tarciowe z przemieszaniem
    FSW
    uczenie maszynowe
    wady powierzchni
    Opis:
    The research reported in this paper focuses on the application of local binary patterns (LBPs) for surface defects detection. The surface defection detection algorithm for friction stir welded aluminum plates is the key part of the entire surface defect recognition system. Two different grades i.e AA 1200 and AA 6061 plates were similarly joined with the help of Friction Stir Welding process. Python codes for the proposed algorithm were executed on Google Colaboratory platform. The results obtained prove that the local binary patterns method can be used for real-time surface defects detection in friction stir welded joints.
    Źródło:
    Journal of Mechanical and Energy Engineering; 2020, 4, 1; 27-32
    2544-0780
    2544-1671
    Pojawia się w:
    Journal of Mechanical and Energy Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Artificial Intelligence Algorithms for the Analysis of Mechanical Property of Friction Stir Welded Joints by using Python Programming
    Algorytmy sztucznej inteligencji do analizy właściwości mechanicznych połączeń zgrzewanych tarciowo z przemieszaniem przy użyciu programowania w języku Python
    Autorzy:
    Mishra, Akshansh
    Powiązania:
    https://bibliotekanauki.pl/articles/1819221.pdf
    Data publikacji:
    2020
    Wydawca:
    Stowarzyszenie Inżynierów i Techników Mechaników Polskich
    Tematy:
    uczenie maszynowe
    sieć neuronowa sztuczna
    drzewo decyzyjne
    optymalizacja
    zgrzewanie tarciowe z przemieszaniem
    machine learning
    artificial neural network
    decision tree
    optimization
    friction stir welding
    Opis:
    In modern computational science, the interplay existing between machine learning and optimization process marks the most vital developments. Optimization plays an important role in mechanical industries because it leads to reduce in material cost, time consumption and increase in production rate. The recent work focuses on performing the optimization task on Friction Stir Welding process for obtaining the maximum Ultimate Tensile Strength (UTS) of the friction stir welded joints. Two machine learning algorithms i.e. Artificial Neural Network (ANN) and Decision Trees regression model are selected for the purpose. The input variables are Tool Rotational Speed (RPM), Tool Traverse Speed (mm/min) and Axial Force (KN) while the output variable is Ultimate Tensile Strength (MPa). It is observed that in case of the Artificial Neural Networks the Root Mean Square Errors for training and testing sets are 0.842 and 0.808 respectively while in case of Decision Trees regression model, the training and testing sets result Root Mean Square Errors of 11.72 and 14.61. So, it can be concluded that ANN algorithm gives better and accurate result than Decision Tree regression algorithm.
    We współczesnych obliczeniach naukowych wzajemna zależność między uczeniem maszynowym a procesem optymalizacji wyznacza najbardziej istotne osiągnięcia. Optymalizacja odgrywa ważną rolę w przemyśle mechanicznym, ponieważ prowadzi do obniżenia kosztów materiałów, zużycia czasu i wzrostu szybkości produkcji. Ostatnie prace skupiają się na wykonaniu optymalizacji procesu zgrzewania tarciowego z przemieszaniem w celu uzyskania maksymalnej wytrzymałości na rozciąganie (UTS) połączeń zgrzewanych tarciowo z przemieszaniem. Do tego celu wybrano dwa algorytmy uczenia maszynowego, tj. Sztuczną sieć neuronową (ANN) i model decyzyjnego drzewa regresyjnego. Zmienne wejściowe to prędkość obrotowa narzędzia [obr/min], prędkość posuwu narzędzia [mm/min] i siła osiowa [kN], natomiast zmienną wyjściową jest maksymalna wytrzymałość na rozciąganie [MPa]. Zaobserwowano, że w przypadku sztucznych sieci neuronowych średnie błędy kwadratowe zbiorów uczących i testowych wynoszą odpowiednio 0,842 i 0,808, podczas gdy w przypadku modelu decyzyjnego drzewa regresji zbiory uczące i testujące dają średnie błędy kwadratowe 11,72 i 14,61. Można więc stwierdzić, że algorytm ANN daje lepsze i dokładniejsze wyniki niż algorytm regresji drzewa decyzyjnego.
    Źródło:
    Welding Technology Review; 2020, 92, 6; 7--16
    0033-2364
    2449-7959
    Pojawia się w:
    Welding Technology Review
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-3 z 3

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies