MétaCan
Menu
Retour à la cohorte
Enregistrement W3007629714 · doi:10.1115/1.4046404

Investigation of the Mechanical Behavior of Electroless Ni–P–Ti Composite Coatings

2020· article· en· W3007629714 sur OpenAlexaff
Zhi Li, Zoheir Farhat, George Jarjoura, Eman M. Fayyad, Aboubakr M. Abdullah, Mohammad K. Hassan

Notice bibliographique

RevueJournal of Engineering Materials and Technology · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueElectrodeposition and Electroless Coatings
Établissements canadiensDalhousie University
Organismes subventionnairesQatar National Research Fund
Mots-clésMaterials scienceComposite materialFracture toughnessToughnessUltimate tensile strengthComposite numberAnnealing (glass)CoatingNickel titaniumMetallurgyShape-memory alloy

Résumé

récupéré en direct d'OpenAlex

Abstract To improve the toughness of Ni–P coatings, NiTi superelastic particles were introduced into the Ni–P matrix through the electroless co-depositing of Ni–P and Ti particles and annealing Ni–P–Ti coatings. The mechanical properties of the coatings were determined through bend testing bilayer specimens and tensile testing the standalone coating. The effects of Ti content and annealing on Young’s modulus, toughness, and fracture strength were investigated. After annealing, the toughness and strength improved considerably. The formation of the superelastic NiTi phase after annealing led to the improvement of toughness and fracture strength of the composite coating through transformation toughening, crack deflection, bridging, and shielding. Different toughening mechanisms interacted with each other and operated together. This contributed to the enhancement of toughness and fracture strength.

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 enseignants0,002
Score d'incertitude au seuil0,333

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 ouverte0,0000,000
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 GPT0,178
Écart entre enseignants0,172 · 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

Citations4
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Engineering Materials and TechnologyMême sujetElectrodeposition and Electroless CoatingsTravaux en français237 207