MétaCan
Menu
Retour à la cohorte

Comparing the Influence of Mn and Fe Content on the Fracture of a AA6XXX Series Alloy in Different Aged States

2006· article· en· W1983891885 sur OpenAlexaff
Stephen F. Corbin, E. Ansah-Sam, David J. Lloyd

Notice bibliographique

RevueMaterials science forum · 2006
Typearticle
Langueen
DomaineEngineering
ThématiqueAluminum Alloy Microstructure Properties
Établissements canadiensNovelis (Canada)University of Waterloo
Organismes subventionnairesnon disponible
Mots-clésMaterials scienceFracture (geology)Intergranular fractureAgeingMetallurgyAlloyMicrostructureStrain (injury)Transgranular fractureIntergranular corrosionComposite material

Résumé

récupéré en direct d'OpenAlex

The objective of this study was to investigate and compare the influence of Mn and Fe additions on the fracture behaviour of AA6000 series alloys in under, peak and overaged conditions. Testing was completed under uniaxial tension and the microstructures of the alloys were observed using optical and Transmission Electron Microscopy. Alloys with very low levels of both Mn and Fe underwent a transition from transgranular to intergranular fracture and a reduction in strain-tofracture when heat treated from the under aged (UA) to peak aged (PA) condition. Increasing Mn and Fe content prevents this transition in fracture mode such that the stain-to-fracture is similar in the UA and PA states. Despite the change in fracture mode, when comparing the strain-to-fracture for a given ageing condition, increasing Fe systematically reduces the strain-to-fracture. Conversely, increases in Mn systematically increase the strain-to-fracture for a given ageing condition.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,280
Score d'incertitude au seuil0,270

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,190
Écart entre enseignants0,178 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMaterials science forumMême sujetAluminum Alloy Microstructure PropertiesTravaux en français237 207