MétaCan
Menu
Retour à la cohorte
Enregistrement W3109253588 · doi:10.1088/1757-899x/967/1/012076

Evaluation of 22MnB5 Steel Austenitization Sub-Models for Simulating the Heating Phase of Hot Stamping

2020· article· en· W3109253588 sur OpenAlexaff
Boxuan Zhao, C. I. CHIRIAC, Kyle J. Daun

Notice bibliographique

RevueIOP Conference Series Materials Science and Engineering · 2020
Typearticle
Langueen
DomaineMaterials Science
ThématiqueMetal Alloys Wear and Properties
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésHot stampingMetallurgyMaterials sciencePhase (matter)StampingAusteniteNuclear engineeringMicrostructureEngineeringChemistry

Résumé

récupéré en direct d'OpenAlex

Abstract The heating phase of hot stamping is the most time-and energy-intensive part of the process, and therefore offers significant potential to improve process efficiency. This requires a robust thermometallurgical model that predicts the blank heating profile and the austenitization progress inside a roller hearth furnace. In this paper, an IM austenitization model for 22MnB5 steel is derived using dilatometry data and evaluated against a JMAK type model using temperature profiles of coupons heated within a laboratory-scale muffle furnace and blanks heated within a roller hearth furnace. The austenitization rates predicted by the two models are then compared to the inferred austenitization processes from those temperature profiles. The result shows that the IM model has potential to capture the trend of austenitization process, especially the rapid pearlite dissolution at the beginning of the transformation, whereas the JMAK type model is too restrictive and fails in this regard.

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)0,003
score de la tête « metaresearch » (Gemma)0,001
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 enseignants0,232
Score d'incertitude au seuil0,374

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,001
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 savante0,0000,001
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 Opus0,121
Tête enseignante GPT0,298
Écart entre enseignants0,177 · 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

Citations2
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIOP Conference Series Materials Science and EngineeringMême sujetMetal Alloys Wear and PropertiesTravaux en français237 207