MétaCan
Menu
Retour à la cohorte
Enregistrement W2762732391 · doi:10.1080/03019233.2017.1376427

Effect of magnesium addition in low carbon steel part 2: toughness and microstructure of the simulated coarse-grained heat-affected zone

2017· article· en· W2762732391 sur OpenAlexfundno aff
Xiaobing Li, Tongsheng Zhang, Yi Min, Chengjun Liu

Notice bibliographique

RevueIronmaking & Steelmaking Processes Products and Applications · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueMetallurgical Processes and Thermodynamics
Établissements canadiensnon disponible
Organismes subventionnairesNational Natural Science Foundation of ChinaMcMaster University
Mots-clésMicrostructureMaterials scienceToughnessScanning electron microscopeMagnesiumMetallurgyHeat-affected zoneTransmission electron microscopyCarbon steelOptical microscopeComposite materialCorrosionNanotechnology

Résumé

récupéré en direct d'OpenAlex

A critical investigation into the role of Mg on the toughness and microstructure of coarse grain heat-affected zone (CGHAZ) in low carbon steel has been investigated. In this research, the specimens (Mg-free and Mg-added) underwent weld thermal cycle with heat input of 54, 80, and 100 kJ cm −1 at 1350°C peak temperature using a thermal simulator. The typical inclusions characteristics were characterised by means of scanning electron microscopy and equilibrium calculations. The precipitates were characterised by transmission electron microscopy and energy-dispersive spectroscopy. It is revealed that the occurrence of Mg in steel mostly exists in the form of Mg-Al-O oxide inclusions, but a few in the form of solid solution state and (Nb,Ti)(C,N)+MgO precipitates when the concentration of Mg is 0.0026%. The improvement of CGHAZ toughness is obtained when the heat input is 80 and 100 kJ cm −1 . The possible reasons about the effects of Mg on the toughness of CGHAZ, including Mg-Al-O inclusions, precipitates, and soluble Mg, are discussed in detail.

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 enseignants0,003
Score d'incertitude au seuil0,007

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 ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,005
Tête enseignante GPT0,217
Écart entre enseignants0,212 · 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

Citations12
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIronmaking & Steelmaking Processes Products and ApplicationsMême sujetMetallurgical Processes and ThermodynamicsTravaux en français237 207