An Experimental Comparison of Weld-Induced Residual Stresses Using Different Stainless Steel Filler Metals Commonly Used for Hydraulic Turbines Manufacturing and Repair
Notice bibliographique
Résumé
CA6NM and UNS S41500 martensitic stainless steels are widely used for manufacturing and repair of hydraulic turbine runners. They offer good mechanical properties and superior cavitation resistance when compared to mild steels. They are also relatively easy to weld. However, when welded homogeneously, they require a post-weld heat treatment (PWHT) in order to temper the as-welded martensite. This PWHT is also beneficial for residual stresses reduction as it effectively lowers the stress peaks. To avoid this PWHT, austenitic filler metals are often used for repair. But omitting PWHT inevitably leaves weld-induced residual stresses in the assembly. In order to better understand the impact of the weld filler metal choice on the importance of residual stress, an experimental study has been conducted on three different filler alloys. The chosen alloys were: • 410NiMo, a martensitic grade having the same composition as the base metal (13%Cr-4%Ni-0.5%Mo) ; • 309L, an austenitic grade widely used for repair (24%Cr-13%Ni) ; • A proprietary low transformation temperature (LTT) martensitic grade (13%Cr-6%Ni). This paper compares residual stresses in the as-welded condition on welds of UNS S41500 (13%Cr-4%Ni) made using these filler metals. Residual stresses were measured using the contour method. Microstructural analysis was performed to identify the phases in the weld and the heat-affected zones (HAZ). Microhardness maps were done to see the hardness distribution of each weldment.
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 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».