In-Situ Sensors for Liquid Metal Quality
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
Abstract The development of effective methods for directly measuring liquid metal quality, prior to casting and final solidification, has long been a goal for Process Metallurgists. For aluminum, which is generally much cleaner than steel, it is first necessary to concentrate the inclusions by filtering the metal through a porous frit, before then freezing the remaining metal, and subjecting it to microscopic examination (e.g. PoDFA). An alternative method is to take a sample of metal, freeze it, and then dissolve the metal to release the particles (inclusions) through elutriation (the Slime Technique). The only true on-line, in-situ , methods are the Ultrasonic Liquid Metal Sensors (such as the Mansfield Molten Metal Sensor), and the Electric Sensing Zone Methods (such as LiMCA and ESZ-pas). Currently, perhaps the most reliable, but least satisfying, technique is to wait for customer complaints to identify problems. JFE has developed an ultrasonic, on-line, system that registers larger inclusion clusters in rolled steel sheets as they are produced. Alternatively, many steelmakers will use PDA (Pulse Discrimination Analysis) on a small surface of solid steel, to arrive at conclusions concerning inclusions less than 10 microns. Unfortunately, this ignores the much larger inclusions normally present within a steel melt that are responsible for compromising metal properties. The late Professor Iwase was a strong believer in the development of good techniques and methods to monitor and control metallurgical processes, including those related to metal quality. This review is dedicated to his memory, and to his strength of perseverance.
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