MétaCan
Menu
Retour à la cohorte
Enregistrement W4225280947 · doi:10.1007/s11666-022-01366-4

Cold Spray: Over 30 Years of Development Toward a Hot Future

2022· article· en· W4225280947 sur OpenAlexaff
Deliang Guo, Marios Kazasidis, A. Hawkins, Nanyu Fan, Z. Leclerc, D. MacDonald, Aleksandra Nastic, Roghayeh Nikbakht, R. Ortiz-Fernandez, S. Rahmati, Maryam Razavipour, P. Richer, Shuo Yin, Rocco Lupoi, B. Jodoin

Notice bibliographique

RevueJournal of Thermal Spray Technology · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueHigh-Temperature Coating Behaviors
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesIrish Research eLibrary
Mots-clésThermal sprayingGas dynamic cold sprayMaterials scienceNanotechnologySpray formingRaw materialConsolidation (business)Process developmentProcess (computing)Forensic engineeringMechanical engineeringEngineering physicsEngineeringMetallurgyManufacturing engineeringComputer scienceBusinessCoating

Résumé

récupéré en direct d'OpenAlex

Cold Spray (CS) is a deposition process, part of the thermal spray family. In this method, powder particles are accelerated at supersonic speed within a nozzle; impacts against a substrate material triggers a complex process, ultimately leading to consolidation and bonding. CS, in its modern form, has been around for approximately 30 years and has undergone through exciting and unprecedented developmental steps. In this article, we have summarized the key inventions and sub-inventions which pioneered the innovation aspect to the process that is known today, and the key breakthroughs related to the processing of materials CS is currently mastering. CS has not followed a liner path since its invention, but an evolution more similar to a hype cycle: high initial growth of expectations, followed by a decrease in interest and a renewed thrust pushed by a number of demonstrated industrial applications. The process interest is expected to continue (gently) to grow, alongside with further development of equipment and feedstock materials specific for CS processing. A number of current applications have been identified the areas that the process is likely to be the most disruptive in the medium-long term future have been laid down.

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)0,005
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0040,006
Science ouverte0,0010,003
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0070,003

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 Opus0,007
Tête enseignante GPT0,215
Écart entre enseignants0,208 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations82
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Thermal Spray TechnologyMême sujetHigh-Temperature Coating BehaviorsTravaux en français237 207