MétaCan
Menu
Retour à la cohorte
Enregistrement W3119269716 · doi:10.4028/www.scientific.net/msf.1016.971

Preliminary Development of Cold Spray Procedures for Nickel Aluminum Bronze Casting Repair

2021· article· en· W3119269716 sur OpenAlexaff
Cameron Munro, Phuong Vo, Bruno Guerreiro

Notice bibliographique

RevueMaterials science forum · 2021
Typearticle
Langueen
DomaineMaterials Science
ThématiqueMetallurgy and Material Science
Établissements canadiensNational Research Council Canada
Organismes subventionnairesnon disponible
Mots-clésMaterials scienceMetallurgyCorrosionToughnessBronzePorosityWeldingCastingCathodic protectionAluminiumAlloyMicrostructureComposite materialElectrochemistry

Résumé

récupéré en direct d'OpenAlex

Nickel aluminum bronze (NAB) castings possess favourable combinations of strength and resistance to corrosion, biofouling and cavitation/erosion, and so have long been used in naval applications. Nonetheless, in seawater environments NAB castings are susceptible to selective phase corrosion and so such components periodically require either replacement, which is very costly, or repair. However, repairs involving traditional, high heat input welding operations can lead to distortion and microstructural changes that unacceptably degrade NAB corrosion performance, and so repairs are not commonly performed. In the present work, cold spray is explored as an alternative for NAB (alloy CuAl9Fe5Ni5) repair without excessive distortion or base metal degradation, and preliminary results of its performance reported. Suitable cold spray parameters have been determined using an iterative approach by analyzing deposits in terms of microstructure, porosity and adhesion to the substrate. It is intended that these parameters will later be used to create simulated repairs which can be more thoroughly characterized for strength, toughness and corrosion performance.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,025
Tête enseignante GPT0,272
Écart entre enseignants0,248 · 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 source (Gemma direct ou Codex distillé), 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

Citations3
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMaterials science forumMême sujetMetallurgy and Material ScienceTravaux en français237 207