MétaCan
Menu
Retour à la cohorte
Enregistrement W2997319198 · doi:10.1063/1.5129804

Effect of ingot cooling rate on Cu distribution and magnetic properties of Sm(CobalFe0.28Cu0.07Zr0.03)7.6 magnets

2019· article· en· W2997319198 sur OpenAlexaff
Zhifeng Shang, Dongtao Zhang, Z. Altounian, Zhihong Xie, Pengbiao Qiao, Weiqiang Liu, Yunqiao Wang, Ming Yue

Notice bibliographique

RevueAIP Advances · 2019
Typearticle
Langueen
DomaineMaterials Science
ThématiqueMagnetic Properties of Alloys
Établissements canadiensMcGill University
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésIngotMagnetMaterials scienceAlloyMicrostructureCoercivityMetallurgyPhase (matter)CastingCondensed matter physicsChemistryMechanical engineering

Résumé

récupéré en direct d'OpenAlex

The Sm(CobalFe0.28Cu0.07Zr0.03)7.6 magnets were made by a casting process with two different cooling rates. X-ray diffraction analysis shows that the main phase of the two as-cast alloys consist of 1:5, 1:7, and 2:17 (hexagonal) phase. While a few of rhombohedral 2:17 phases appear in the ingots with the lower cooling rate. The electron probe micro-analysis and corresponding wavelength dispersive x-ray results indicate that a higher cooling rate of the as-cast alloy is helpful to the uniformity of Cu element distribution in the ingots and magnets, especially for suppressing the formation of 2:17 R phase in ingots. The coercivity and squareness of magnet prepared from ingot with higher cooling rate increase by 72 and 48 percentage, respectively. The microstructure observation shows that some cell boundaries are destroyed in the magnet made by lower cooling rate, while the cell boundaries are well developed in the magnet made by higher cooling rate.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,668

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 Opus0,006
Tête enseignante GPT0,219
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 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

Citations6
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAIP AdvancesMême sujetMagnetic Properties of AlloysTravaux en français237 207