Austempering Process for Carburized Low Alloy Steels
Notice bibliographique
Résumé
There is a continual need to apply heat treatment processes in innovative ways to optimize material performance. One such application studied in this research is carburizing followed by austempering of low carbon alloy steels, AISI 8620, AISI 8822 and AISI 4320, to produce components with high strength and toughness. This heat treatment process was applied in two steps; first, carburization of the surface of the parts, second, the samples were quenched from austenitic temperature at a rate fast enough to avoid the formation of ferrite or pearlite and then held at a temperature just above the martensite starting temperature to partially or fully form bainite. Any austenite which was not transformed during austempering, upon further cooling formed martensite or was present as retained austenite. The final result was a high-carbon surface layer of bainite or martensite which is expected to have good wear and fatigue resistance and a low carbon bainite and/or martensite core to provide toughness. The effect of the austempering temperature and time was studied for the three types of steel. A combination of three austempering temperatures, 260, 288 and 304°C and three times 1, 2 and 4 hours provided seven different heat treatments that were applied to the three types of alloy steel selected for the tests. Charpy tests were done on all the heat-treated steels to determine the differences in toughness due to the material and heat treatment conditions. The surface hardness and the geometric distortion were measured as well. The results obtained for the carburize/austemper process were compared to results obtained for the more traditional carburize/quench/temper process. One of the important conclusions was that the distortion produced by the carburize/austemper process was significantly less than the distortion produced by the carburize/quench/temper process. The results can be used to help select the best heat treatment conditions and materials for applications that include transmission shafts, output shafts, pump shafts, differential pinions, splines and parking pawls.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».