MétaCan
Menu
Retour à la cohorte
Enregistrement W2554164140 · doi:10.4028/www.scientific.net/msf.879.2072

Linear Friction Welding of IN718 to Ti6Al4V

2016· article· en· W2554164140 sur OpenAlexaff
Priti Wanjara, Javad Gholipour, Kosuke Watanabe, Koji Nezaki, Yubin Tian, Mathieu Brochu

Notice bibliographique

RevueMaterials science forum · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Welding Techniques Analysis
Établissements canadiensMcGill UniversityNational Research Council Canada
Organismes subventionnairesIHI
Mots-clésMaterials scienceIntermetallicSuperalloyWeldingInconelMetallurgyFriction weldingBrittlenessAlloyBase metalComposite material

Résumé

récupéré en direct d'OpenAlex

Linear friction welding (LFW), an emerging automated technology, has potential for solid-state joining of dissimilar materials (bi-metals) to enable tailoring of the mechanical performance, whilst limiting the assembly weight for increased fuel efficiency. However, bi-metallic welds are quite difficult to manufacture, especially when the material combinations can lead to the formation of intermetallic (brittle) phases at the interface, such as the case with assembly of Ti base alloys with Ni base superalloys. The intermetallic phase, once formed, lowers the performance of the as-manufactured properties and its growth during elevated temperature service can lead to unreliable performance. In this project, it was demonstrated that linear friction welding can be applied to join Ti-6%Al-4%V (workhorse Ti alloy) to INCONEL® 718 (workhorse Ni-base superalloy) with minimized interaction at the interface. Of particular merit is that no intermediate layer (between the Ti alloy and Ni-base superalloy) was needed for bonding. Characterization of the bi-metallic weld included macro-and microstructural examination of the flash and interface regions and evaluation of the hardness.

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: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,012

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
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,008
Tête enseignante GPT0,249
Écart entre enseignants0,240 · 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

Citations15
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMaterials science forumMême sujetAdvanced Welding Techniques AnalysisTravaux en français237 207