MétaCan
Menu
Retour à la cohorte

Rheological Properties and Microstructure of Hypereutectic Semi-Solid Al-Si-Mg Alloys Using Rheocasting Route

2012· article· en· W2032516075 sur OpenAlexafffund
Mehand Tebib, F. Ajersch, X. Grant Chen

Notice bibliographique

RevueDiffusion and defect data, solid state data. Part B, Solid state phenomena/Solid state phenomena · 2012
Typearticle
Langueen
DomaineEngineering
ThématiqueAluminum Alloy Microstructure Properties
Établissements canadiensPolytechnique MontréalUniversité du Québec à Chicoutimi
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésMaterials scienceMicrostructureSlurryRheologyShear thinningViscometerShear rateAlloyViscositySolid solutionShear (geology)MetallurgyNewtonian fluidDeformation (meteorology)Composite materialThermodynamics

Résumé

récupéré en direct d'OpenAlex

The SEED rheocasting process was used to produce semi-solid slurries of hypereutectic Al-17Si-4.5Cu (A390) and Al-15Si-10.5Mg-4Cu alloys respectively. The rheological properties of these alloys in the semi-solid state were characterized at different deformation rates and at variable solid fractions using the parallel plate compression viscometry. The viscosity at different shear rates was calculated using a Newtonian fluid model for increments of deformation during compression. Microstructures of both alloys, after partial solidification and compression, were examined in order to characterize the flow behavior during deformation. The comparison of the viscosity between the A390 and Al-15Si-10.5Mg-4Cu alloys indicated that the high Mg containing alloy possessed a higher viscosity for the range of shear rates and solid fractions investigated. Rheological results showed that at a given solid fraction, the viscosity of both alloys decreased significantly with increasing shear rates, indicating a shear thinning behavior. In addition, a separation of liquid and solid phases was also observed for both alloys in the microstructural study of compressed semi-solid billets.

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)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesMéta-épidémiologie (sens strict)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,825
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0030,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,003
Science ouverte0,0020,006
Intégrité de la recherche0,0000,001
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 Opus0,060
Tête enseignante GPT0,273
Écart entre enseignants0,214 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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

Citations2
Publié2012
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueDiffusion and defect data, solid state data. Part B, Solid state phenomena/Solid state phenomenaMême sujetAluminum Alloy Microstructure PropertiesTravaux en français237 207