Plasma nitriding design for aluminium and aluminium alloys
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Plasma nitriding for aluminium and aluminium alloys is a promising processing to improve the wear resistance for automotive parts. Normal plasma nitriding is characterised by three processes: presputtering, aluminium nitride nucleation and nitrided layer growth processes. N 2 + presputtering is used to effectively eliminate the preexisting oxide films of Al 2 O 3 , covering the surface of aluminium matrix. Relatively long incubation time is required for nucleation process to form AlN islands or nodules on its surface. In addition, formation rate becomes very slow owing to low nitrogen diffusion coefficient in the nitrided layer. Physical and chemical modification methods to this normal nitriding processing are proposed to accelerate the formation rate of nitrided layer. Refinement of grain size in the aluminium matrix increases the formation rate by enlarging grain boundary area as a diffusion path. Crystallographic coherency between TiN and AlN reflects on enhancement of nucleation process by coformation of TiN with AlN. Standing on the nitriding design by physical and chemical modification of inner nitriding mechanism, an alternative plasma nitriding is proposed as the third processing for copper bearing aluminium alloys. In this processing, reduction of duration for nucleation and acceleration of growth rate are attained with the aid of the precipitate, Al 2 Cu. Crystallographic coherency between AlN and Al 2 Cu is effective to enhance the formation of AlN nodules and islands. Solid state reaction between Al 2 Cu and penetrating nitrogen is also significant to form the fine interfacial boundaries as a nitrogen diffusion path and to accelerate the formation rate of nitrided layer.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 découle