Application of Nano‐Structured Ceramics to Gas Turbine Components – Material and Fabrication Process Selection
Notice bibliographique
Résumé
The ever increasing demand on the aerospace industry to improve efficiency has pushed the evolution of turbine technology. A fundamental approach to improve the efficiency of the turbine is to increase the operational temperature. Nano‐structured materials present a possible means of achieving higher operating temperatures in turbines over the limits of current materials (nickel based superalloys). Superalloys have a fairly short rupture life as the strength drops off quickly in operation at high temperature for long periods of time, leading to the failure of the component. Ceramics are able to operate at much higher temperatures than metals; however, existing fabrication techniques had not been able to make dense conventional ceramics with the desired long term properties. Nanostructured materials (grain size <100 nm) have been observed to exhibit unique and often superior properties as compared with their conventional grain size counterparts. New innovation in nanostructured ceramics and sintering techniques provide insight into solving the problem of using ceramics in turbine components. In this presentation, the benefits of nanostructured materials, their mechanical properties and their high temperature performance will be discussed. The fracture strength of microstructured and nanostructured high temperature resistant ceramics will be found to evaluate the best candidate for this application. Through available research, we will demonstrate the superior properties of our chosen two‐phase nanostructured Silicon Carbide‐Silicon Nitride (SiC‐Si3N4) Ceramic, which is manufactured using Spark Plasma Sintering.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».