The characterization of near‐surface defects evolved on aluminum–manganese alloys during hot rolling
Notice bibliographique
Résumé
Hot rolling laboratory experiments were performed on an Al–Mn alloy, utilizing a rolling tribo‐simulator to characterize the evolution of near‐surface defects induced by tribological interactions between the work roll and alloy surfaces. A ten pass hot rolling schedule was conducted on Al–Mn samples using an AISI 52100 work roll polished to a surface roughness (Ra) of 0.01 μm. Micro‐cracks formed on the alloy surfaces at the first pass were observed to initiate at grain boundaries and propagate less than 1.5 μm deep into the subsurface region. The faces of the micro‐cracks in the subsurface region were observed to be covered with MgO. The surface of the samples were observed to possess a top 90‐nm‐thick oxide‐rich layer, which was mostly composed of MgO. MgAl 2 O 4 and Al 2 O 3 were also observed on the alloy surface at this stage of rolling. After ten passes, near‐surface features on the Al–Mn alloy samples included MgO‐rich islands and transverse cracks. Cracks extended more than 2 μm deep into the subsurface. Crack faces were covered with surface deformation induced crevices as well as MgO. The near‐surface was also composed of nano‐crack induced damaged areas, filled with porous nanocrystalline oxides. These damaged areas extended 0.5 μm into the subsurface region beneath a 60‐nm‐thick MgO film. The nanocrystalline oxide layers possessed embedded aluminum nano‐particles. The microstructure of the near‐surface layer suggests that magnesium diffusion to the free surfaces and crack formation play an important role in its evolution. Copyright © 2015 John Wiley & Sons, Ltd.
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 | 0,001 |
| 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 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 ».