MétaCan
Menu
Retour à la cohorte
Enregistrement W2794838921

The influence of the gas environment on morphology and chemical composition of surfaces micro-machined with a femtosecond laser

2014· article· en· W2794838921 sur OpenAlexaff
Jorge Lehr, F. De Marchi, Luke Matus, Jennifer MacLeod, Federico Rosei, Anne‐Marie Kietzig

Notice bibliographique

RevueSchool of Chemistry, Physics & Mechanical Engineering; Science & Engineering Faculty · 2014
Typearticle
Langueen
DomaineEngineering
ThématiqueLaser Material Processing Techniques
Établissements canadiensInstitut National de la Recherche ScientifiqueMcGill University
Organismes subventionnairesnon disponible
Mots-clésMaterials scienceTinLaserFemtosecondMachiningHeliumFabricationIsotropyTitaniumOpticsChemistryMetallurgy
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

We investigated the influence of different gas environments on the fabrication of surfaces, homogeneously covered with equally sized and spaced micro-structures. Two types of structures have been successfully micro-machined with a femtosecond laser on titanium surfaces in various atmospheres. The surface chemistry of samples machined in oxygen and helium shows TiO2, while machining in nitrogen leads to an additional share of TiN. The actual surface structure was found to vary significantly as a function of the gas environment. We found that the ablated particles and their surface triggered two consecutive events: The optical properties of the gas environment became non-isotropic which then led to the pulse intensity being redistributed throughout the cross section of the laser beam. Additionally, the effective intensity was further reduced for TiN surfaces due to TiN's high reflectivity. Thus, the settings for the applied raster-scanning machining method had to be adjusted for each gas environment to produce comparable structures. In contrast to previous studies, where only noble gases were found suitable to produce homogeneous patches, we obtained them in an oxygen environment.

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 enseignants0,281
Score d'incertitude au seuil0,760

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 ouverte0,0010,000
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 GPT0,190
Écart entre enseignants0,186 · 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
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSchool of Chemistry, Physics & Mechanical Engineering; Science & Engineering FacultyMême sujetLaser Material Processing TechniquesTravaux en français237 207