MétaCan
Menu
Retour à la cohorte
Enregistrement W2950573657 · doi:10.11648/j.ijmea.20190702.13

A Study of Mechanical Properties Evaluation for Stainless Steel Under Low Temperature Region

2019· article· en· W2950573657 sur OpenAlexaboutno aff
Jung Soo Oh

Notice bibliographique

RevueInternational Journal of Mechanical Engineering and Applications · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueMechanical Engineering and Vibrations Research
Établissements canadiensnon disponible
Organismes subventionnairesMinistry of Land, Infrastructure and Transport
Mots-clésElongationUltimate tensile strengthMaterials scienceAtmospheric temperature rangeTension (geology)Maximum temperatureStiffeningComposite materialMetallurgyMeteorologyThermodynamics

Résumé

récupéré en direct d'OpenAlex

For equipment operated in extreme weather regions such as Eastern Europe, Northern Russia, and Canada, etc. (with average temperature is colder than –20°C during winter), measures against freezing are necessary for the materials that compose plant modules and metal materials for the components of automobiles. However, only a portion of research on the effects at high temperatures have been performed in the cases of high-speed tension tests for cryogenic materials until now with the effects at low temperature being confirmed only to the extent of the presence of differences at high and low speeds. In this study, characteristics of two universal materials for stainless steel, namely TP304 and TP316, at low temperature were examined by executing comparative tests on their mechanical characteristics at both ordinary temperature and low temperature. As a result, TP304 displayed a secondary stiffening phenomenon in the low temperature range. Meanwhile, TP316 displayed a reduction in the elongation ratio in the low temperature and it was confirmed that the maximum tensile strength increased more so than at ordinary temperature. Regarding temperature dependency, the maximum tensile strength and elongation ratio were higher for TP304, while the yield strength was higher for TP316.

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)0,001
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: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,262
Score d'incertitude au seuil0,537

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 Opus0,033
Tête enseignante GPT0,294
Écart entre enseignants0,261 · 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

Citations0
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Mechanical Engineering and ApplicationsMême sujetMechanical Engineering and Vibrations ResearchTravaux en français237 207