MétaCan
Menu
Retour à la cohorte
Enregistrement W2343315898 · doi:10.5539/jmsr.v5n3p52

Development of New Structural Materials with Improved Mechanical Properties and High Quality of Structures through New Methods

2016· article· en· W2343315898 sur OpenAlexvenueno aff
Salokhiddin D. Nurmurodov, A. K. Rasulov, Nodir Turakhodjaev, Kudratkhon Bakhadirov, Lazizkhan Yakubov, K. P. Abdurakhmanov, Tokhir Tursunov

Notice bibliographique

RevueJournal of Materials Science Research · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced materials and composites
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMaterials scienceDurabilityMachinabilityAlloyMetallurgyRefractory metalsTungstenCharacterization (materials science)Wear resistanceProcess engineeringComposite materialNanotechnologyMachining

Résumé

récupéré en direct d'OpenAlex

Up-to-date science and technology requires further development and wide introduction of new high- performance processes to produce refractory metals. These may include plasma chemical technology of high dispersed powders production. Practical implementation of plasma chemical method in producing and processing of high dispersed powders is in its initial stage. Along with this at the present time the demand for processing of structural materials with improved physical and mechanical properties is now steadily increasing. Such materials have low machinability due to high hardness and durability at high temperatures which results in heavy wear of a cutting tool. To improve the efficiency when processing hard-to-cut materials it is necessary to enhance the tool’s durability; this can be provided by application of new grades of hard alloys received from tungsten nanopowders. New alloy, obtained by the new developed technology, has higher degree of hardness and wear resistance compared with existing alloys and will be intended for hard materials processing.

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: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,018

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
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,003

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 Opus0,150
Tête enseignante GPT0,421
Écart entre enseignants0,271 · 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
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Materials Science ResearchMême sujetAdvanced materials and compositesTravaux en français237 207