MétaCan
Menu
Retour à la cohorte

Improved Slags for ESR Processing of High-Carbon Chromium Bearing Steel

2016· article· en· W2561466575 sur OpenAlexafffund
Yang Zhang, Weiqing Chen, Yindong Yang, Alex McLean

Notice bibliographique

RevueISIJ International · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueMetallurgical Processes and Thermodynamics
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaChina Scholarship CouncilUniversity of Toronto
Mots-clésSlag (welding)Materials scienceMetallurgyChromiumViscosityCarbon fibersHigh carbonBearing (navigation)Composite materialAlloy

Résumé

récupéré en direct d'OpenAlex

Freckles severely affect the quality of high-carbon chromium bearing steel ingots produced by electro-slag remelting (ESR). With conventional slags, reducing the melt rate of the electrode can prevent freckle formation, but severe surface defects can still occur. In order to design an appropriate slag for control of segregation and also improve the surface quality of the ingots, the melting temperature, heat transfer properties, and viscosity of several synthetic slags based on the system CaF2–CaO–Al2O3–MgO were evaluated. As a consequence of the laboratory investigation, a slag with 50% CaF2 and a CaO/Al2O3 ratio of 1.5, was selected as a candidate for validation on ESR production facilities based on the following package of attractive properties: low melting temperature, low break temperature, low viscosity and high thermal conductivity. Following evaluation of the selected slag formulation on full-scale plant trials, HSLA steel ingots were produced that were free from freckles and exhibited good surface quality.

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: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,960
Score d'incertitude au seuil0,274

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 savante0,0000,000
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 Opus0,008
Tête enseignante GPT0,220
Écart entre enseignants0,211 · 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'étudeSimulation ou modélisation
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

Citations8
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueISIJ InternationalMême sujetMetallurgical Processes and ThermodynamicsTravaux en français237 207