MétaCan
Menu
Retour à la cohorte
Enregistrement W2050749822 · doi:10.2351/1.4917346

Spectroscopic monitoring of FeO fluorescence for laser treatment of steel surfaces in air

2015· article· en· W2050749822 sur OpenAlexaff
J.-F. Daigle, Dominik Pudo, F. Théberge, J. Fortin

Notice bibliographique

RevueJournal of Laser Applications · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueLaser Material Processing Techniques
Établissements canadiensDefence Research and Development Canada
Organismes subventionnairesnon disponible
Mots-clésMaterials scienceVaporizationLaserFluorescenceLaser-induced fluorescenceAbsorption (acoustics)Analytical Chemistry (journal)OxideOpticsComposite materialMetallurgyChemistry

Résumé

récupéré en direct d'OpenAlex

Laser treatment of steel surfaces in air using continuous-wave radiation emitted by a fiber laser at 1.07 μm is investigated using a spectroscopic method that monitors the presence of FeO molecular fluorescence. For all conditions tested, the irradiance levels remained below 106 W/cm2 thus inhibiting the formation of plasma. In this paper, we demonstrate that FeO emissions are related to laser-induced steel vaporization and can be used to monitor the performances of the laser system for drilling and cutting applications. The heated Fe atoms oxidize rapidly forming solid and liquid FeO at the interface with the oxygen-filled atmosphere. As the formation of FeO is exothermic and that the presence of the oxide further increases laser absorption, the laser-induced oxide is rapidly vaporized and ejected off the surface, leaving an empty hole. The presence of FeO molecules can be monitored via the characteristic fluorescence emitted from the well-known orange system which is excited by the treating of laser itself. Excellent quantitative agreement was found between the FeO signal strength and the volume of material ablated by the laser beam in a drilling configuration allowing real-time monitoring of the interaction for process optimization.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

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 technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,030
Tête enseignante GPT0,296
Écart entre enseignants0,265 · 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 source (Gemma direct ou Codex distillé), 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

Citations5
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Laser ApplicationsMême sujetLaser Material Processing TechniquesTravaux en français237 207