MétaCan
Menu
Retour à la cohorte
Enregistrement W2531027530 · doi:10.1088/1757-899x/149/1/012205

Modelling and analysis of sputter deposited ZrN coating by CFD

2016· article· en· W2531027530 sur OpenAlexaff
Jaydeep M. Kapopara, Akshaykumar R. Mengar, Kamlesh V. Chauhan, Nicky P. Patel, Sushant K. Rawal

Notice bibliographique

RevueIOP Conference Series Materials Science and Engineering · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueMetal and Thin Film Mechanics
Établissements canadiensMcMaster University
Organismes subventionnairesnon disponible
Mots-clésZirconium nitrideComputational fluid dynamicsCoatingMaterials scienceFluentArgonSputteringSputter depositionSubstrate (aquarium)Flow (mathematics)Deposition (geology)MechanicsNitrideVolumetric flow rateMixing (physics)Thin filmComposite materialChemistryLayer (electronics)NanotechnologyTitanium nitridePhysicsGeology

Résumé

récupéré en direct d'OpenAlex

The objective of the present work is to investigate the effect of various sputtering parameters such as velocity, mass flow rate on velocity profiles, pressure profiles, density profiles and concentration distribution of the process gases (argon and nitrogen) of zirconium nitride films deposited on glass and silica substrate by RF magnetron sputtering. A three dimensional Computational Fluid Dynamics (CFD) study has been carried out using Fluent-ANSYS commercial code to visualize the mixing behavior of process gases inside the deposition chamber. The results show that the location of gas inlet port has a greater influence on gas distribution inside the chamber where reactive gas will form coating. By having this information, one can able to modify the reactor geometry and gas flow openings along with its positions for better gas flow over the substrate which in turns gives an indirect indication of coating from the composition point of view.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,204
Score d'incertitude au seuil0,475

Scores Codex et Gemma par catégorie

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 savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,014
Tête enseignante GPT0,187
Écart entre enseignants0,173 · 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 tête enseignante, 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 revueIOP Conference Series Materials Science and EngineeringMême sujetMetal and Thin Film MechanicsTravaux en français237 207