Kaikki aineistot
Lisää
Ydinjätteen loppusijoittamisessa käytettävien kuparista valmistettujen korroosionestokapseleiden sulkemiseen tarvitaan luotettava hitsausmenetelmä. Hitsausliitosten ominaisuuksien tulee olla mahdollisimman samanlaiset verrattuna perusaineen ominaisuuksiin. Kitkahitsaus pyörivällä työkalulla ja elektronisuihkuhitsaus ovat tällä hetkellä mahdolliset vaihtoehdot. Kitkahitsaus pyörivällä työkalulla (tunnetaan myös kitkatappihitsauksena) on uusi ja innovatiivinen liittämismenetelmä. Koska liittäminen tapahtuu kiinteässä tilassa, sulamiseen ja jähmettymiseen liittyviä hitsausvirheitä ei muodostu. Menetelmän muita etuja ovat hitsiaineen pieni raekoko, tasainen ja suuntautumaton raerakenne sekä hyvät mekaaniset ominaisuudet. Kitkaprosessointi pyörivällä työkalulla on kitkatappihitsauksen variaatio, jota käytetään mm. valuvirheiden korjaamiseen sekä korroosio-ominaisuuksien parantamiseen. Tässä väitöskirjassa tehty työ keskittyi kuparin kitkahitsaukseen pyörivällä työkalulla sekä hitsien mikrorakenteeseen ja sen muodostumiseen. Tutkittuja aiheita olivat mm. rekristallisaatio, nauharakenne (banding), oksidipartikkelit ja deformaation paikallistuminen. Tulokset osoittavat, että kitkatappihitsien mikrorakenne ja mekaaniset ominaisuudet ovat hyvin samankaltaiset verrattuna perusaineisiin (päinvastoin kuin elektronisuihkuhitseillä). Kitkatappihitsaus vaikuttaa siten paremmalta vaihtoehdolta ydinjätteen loppusijoituksessa käytettävien kuparikapseleiden sulkemiseen.
Lastuava työstö on kompleksinen fysikaalinen prosessi jossa prosessiparametrien vaikutukset ovat kytköksissä toisiinsa. Tämän havainnollistamiseksi on tehty graafi-analyysi, jossa kunkin prosessiparametrin kytkökset toisiinsa on esitetty vuorovaikutusverkkona. Lastuavan työstön systemaattisen kehittämäisen avuksi on olemassa työkaluja, kuten elementtimenetelmä, jolla pystyy laskemaan usean prosessiparametrin vaikutukset yhtäaikaisesti. Lastuavan työstön simuloinnilla voidaan saavuttaa merkittävää hyötyä optimoimalla kustannuksia ja laatua. Erityisesti viimeaikainen kiinnostus teollisuudessa digitaaliseen valmistukseen, suunnitteluautomaatteihin, älykkäisiin järjestelmiin ja teolliseen internetiin on tuonut lastuavan työstön mallintamisen tutkimuksen ajankohtaiseksi. Lastuavan työstön elementtimallintamista on tutkittu muutama vuosikymmen, ja menetelmä alkaa olla riittävän kehittynyt, jotta sitä voidaan soveltaa teollisuudessa. Muutamia kaupallisia mallinnusohjelmistoja on jo markkinoilla ja jotkut, erityisesti sota ja ilmailuteollisuuden yritykset ovat alkaneet soveltaa menetelmää. Menetelmän haasteena ovat materiaalimallit. Vaikka ohjelmistoissa on laajat materiaalikirjastot, ne eivät sisällä läheskään kaikkia teollisuudessa käytettyjä materiaaleja. Kun materiaalia ei löydy kirjastosta, materiaalimallin laatiminen vaatii aikaa, erikoisosaamista ja kustannukset ovat korkeat. Tässä väitöskirjassa tutkitaan perinteisen materiaalimallinnuksen haasteita ja haetaan vaihtoehtoista tapaa materiaalikarakterisoinnille. Vaihtoehtoiseksi tavaksi esitetään lastuamiskokeiden käyttämistä materiaaliparametrien määrittämiseksi. Tätä varten käytetään analyyttistä lastuamismallia, jonka avulla lastuamiskokeista mitattavat suureet voidaan kytkeä materiaalimallissa esiintyvien suureiden kanssa. Menetelmällä saadut malliparametrit todennetaan simulaatioilla ja lastuamiskokeilla. Tämän lisäksi esitetään uutta materiaalimallia, joka pystyy mallintamaan lämpöpehmenemisen vaimentumisen. Lämpöpehmenemisen vaimentuminen huomattiin koearvoista, joita käytettiin perinteisen menetelmän arviointiin. Tutkimusmenetelmät tässä väitöskirjassa ovat lastuamiskokeet, materiaalikokeet, analyyttinen mallinnus ja simulaatiot. Tulokset osoittavat että lastuamiskokeiden käyttäminen materiaalimallinnukseen on mahdollista ja menetelmässä on käytännön kannalta potentiaalia. Lisähuomiona työssä todetaan materiaalikokeiden koeympäristön poikkeavan lastuamisen ympäristöstä siinä määrin, että pelkkien materiaalikokeiden arvojen käyttäminen lastuamisen mallintamiseen johtaa merkittävään virheeseen.
A key question in the development of a tire is "How can this tire improve vehicle handling?" Good handling tires contribute not only to active safety of vehicles, but also to the pleasure of driving. Handling performance is largely determined by the driver. Therefore, the final and most important handling assessment of tires is done by professional test drivers driving on a handling circuit and giving their subjective opinion. This provides the tire manufacturer with the important tire handling performance, but it gives limited information on what the driver perceives as good and how his opinion is formed; the driver is still a 'black box'. Three methods, all based on field experiments, for gaining this knowledge about subjective assessments were chosen for this research. They have in common that they predict the driver's subjective assessment of tire handling, based on vehicle dynamics measurements. The differences lie in the way they derive and utilize these measurements. For method 1, the prediction is done with a General Regression Neural Network based on vehicle dynamics measurements. With this method, several limitations for using regression for tire handling can be circumvented.Method 2 focuses on the driver's workload as an indication for his subjective assessment. This method derives from the fact that the driver adapts to changing vehicle handling behavior. Method 3 also focuses on the driver but not by looking at measures from 'outside' the driver, like workload measures, but by modeling the driver behavior during closed-loop driver-vehicle simulations and looking at driver parameters 'inside' the driver (model). The results show that all three methods can predict the driver's opinion about tire handling, based on vehicle dynamics measures. Analysis of the relevant measures for the prediction of methods 1 and 2, provides information on the 'what'-question. Likewise, method 3 provides information on the 'how'-question. In addition, drivers adapting behavior, e.g., compensating for less good handling tires by investing more effort, can be quantified with the mental workload measures. This makes them good indicators of driver's perceived tire handling behavior, even when the performance measures do not show differences. For implementation of one or more methods, only a subset of the vehicle dynamics measurements used for this research is needed. During use, the methods can be adapted to changing tire testing methods, with different measurements, handling aspects or maneuvers. When vehicle and tire models are available, these methods can also be used for virtual testing, predicting driver's opinion on tire handling. This research provides a first step in opening up the 'black box' of the driver by quantifying the driver's tire feeling.