MétaCan
Menu
Retour à la cohorte
Enregistrement W2761970609 · doi:10.15866/ireche.v5i3.6928

Effect of Foaming Time and Temperature on the Hardness of Al-Si-Cu-Mg Alloy Foam Cell Walls

2013· article· en· W2761970609 sur OpenAlexaff
Anwarul Hasan, Amkee Kim

Notice bibliographique

RevueInternational Review of Chemical Engineering (IRECHE) · 2013
Typearticle
Langueen
DomaineEngineering
ThématiqueAluminum Alloys Composites Properties
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésNanoindentationMaterials scienceAlloyEutectic systemIndentationVickers hardness testFoaming agentComposite materialIndentation hardnessMetal foamPhase (matter)MetallurgyMicrostructureAluminiumPorosityChemistry

Résumé

récupéré en direct d'OpenAlex

Al-Si-Cu-Mg alloy foams of different compositions and different cell morphologies were produced using the powder metallurgical method and by varying the foaming time and temperature during production. Hardness of the produced precursors and foams was measured using nanoindentation and micro indentation hardness measurement methods. Results obtained from both of the methods showed similar trend although the nanoindentation hardness of the specimens was consistently higher than the corresponding micro Vickers hardness. The precursor and foams obtained from Al-5wt.%Si-4wt.%Cu-4wt.%Mg (alloy 544) showed a higher hardness value than Al-3wt.%Si-2wt.%Cu-2wt.%Mg (alloy 322) precursor and foams made at the same foaming temperature and time because of their higher content of alloying elements. The hardness value of foam walls increased with the increase in foaming time at all foaming temperatures due to the increase of eutectic phase. Same density foams obtained from the same precursor but at different foaming temperatures were found to have different hardness values which indicate that local and global properties of foams with similar densities obtained from the same precursor will differ from each other if their foaming conditions are not the same

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 enseignants0,053
Score d'incertitude au seuil0,644

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 Opus0,004
Tête enseignante GPT0,203
Écart entre enseignants0,199 · 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

Citations0
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Review of Chemical Engineering (IRECHE)Même sujetAluminum Alloys Composites PropertiesTravaux en français237 207