A Unified Model for the Prediction of Yield Strength in Particulate-Reinforced Metal Matrix Nanocomposites
Notice bibliographique
Résumé
Lightweighting in the transportation industry is today recognized as one of the most important strategies to improve fuel efficiency and reduce anthropogenic climate-changing, environment-damaging, and human death-causing emissions. However, the structural applications of lightweight alloys are often limited by some inherent deficiencies such as low stiffness, high wear rate and inferior strength. These properties could be effectively enhanced by the addition of stronger and stiffer reinforcements, especially nano-sized particles, into metal matrix to form composites. In most cases three common strengthening mechanisms (load-bearing effect, mismatch of coefficients of thermal expansion, and Orowan strengthening) have been considered to predict the yield strength of metal matrix nanocomposites (MMNCs). This study was aimed at developing a unified model by taking into account the matrix grain size and porosity (which is unavoidable in the materials processing such as casting and powder metallurgy) in the prediction of the yield strength of MMNCs. The Zener pinning effect of grain boundaries by the nano-sized particles has also been integrated. The model was validated using the experimental data of magnesium- and titanium-based nanocomposites containing different types of nano-sized particles (namely, Al₂O₃, Y₂O₃, and carbon nanotubes). The predicted results were observed to be in good agreement with the experimental data reported in the literature.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».