MétaCan
Menu
Retour à la cohorte
Enregistrement W4213199572 · doi:10.3390/ma15041335

Intermetallics Formation during Solidification of Al-Si-Cu-Mg Cast Alloys

2022· article· en· W4213199572 sur OpenAlexaff
A.M.A. Mohamed, E. Isaac Samuel, Yasser Zedan, A. M. Samuel, H. W. Doty, F. H. Samuel

Notice bibliographique

RevueMaterials · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAluminum Alloy Microstructure Properties
Établissements canadiensÉcole de Technologie SupérieureUniversité du Québec à Chicoutimi
Organismes subventionnairesnon disponible
Mots-clésMaterials scienceIntermetallicEutectic systemMetallurgyAlloyPrecipitationMagnesiumMicrostructureManganesePrecipitation hardeningAluminiumPorosityComposite material

Résumé

récupéré en direct d'OpenAlex

The present study was undertaken to examine the effect of iron, manganese, copper and magnesium on the microstructural characteristics of Al-11%Si-2%Cu-Mg-based alloy referred to as 396 under different working conditions. The results show that strontium (Sr) has high affinity to react with magnesium (Mg), resulting in reduced effectiveness as eutectic silicon modifier or age hardening agent. In addition, Sr alters the sequence of the precipitation of the α-AlFeMnSi phase from post-eutectic to pro-eutectic which would harden the soft α-Aluminum matrix. The mechanism is still under investigation. The interactions between iron (Fe) and Mg and Sr-Mg result in the formation of serval dissolvable intermetallics during the solutionizing treatment such as β-AlFeSi, π-AlFeMgSi and Q-AlMgSiCu phases. The study also emphasizes the role of modification and grain refining as well as intermetallics in porosity formation and hardness of samples aged in the temperature range 155-240 °C.

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 seuil0,686

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)0,0010,000

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 Opus0,010
Tête enseignante GPT0,194
Écart entre enseignants0,184 · 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

Citations35
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMaterialsMême sujetAluminum Alloy Microstructure PropertiesTravaux en français237 207