MétaCan
Menu
Retour à la cohorte
Enregistrement W4285006170 · doi:10.5006/4033

Effect of the Tempering Process on the Corrosion Performance of Wire Arc Additively Manufactured 420 Martensitic Stainless Steel

2022· article· en· W4285006170 sur OpenAlexaff
Jonas Lunde, Salar Salahi, Alireza Vahedi Nemani, Mahya Ghaffari, Ali Nasiri

Notice bibliographique

RevueCORROSION · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAdditive Manufacturing Materials and Processes
Établissements canadiensDalhousie UniversityMemorial University of Newfoundland
Organismes subventionnairesnon disponible
Mots-clésTemperingMaterials scienceMetallurgyCorrosionMartensiteAusteniteCarbideMicrostructureFerrite (magnet)AlloyComposite material

Résumé

récupéré en direct d'OpenAlex

With the aim of modifying the microstructure and improving the corrosion performance of a wire arc additive manufactured 420 martensitic stainless steel, heat treatment cycles consisting of austenitizing at 1,150°C followed by air cooling and subsequent tempering at different temperatures (300°C, 400°C, 500°C, and 600°C) were applied to the as-printed alloy. Microstructural analysis revealed that the austenitization and subsequent air-cooling treatment led to the removal of retained austenite and delta ferrite from the as-printed structure, while the tempering process resulted in the precipitation of a variety of carbide particles at different tempering temperatures. Electrochemical tests performed in an aerated 3.5 wt% NaCl solution showed that tempering at 400°C led to the highest corrosion resistance, while tempering at 500°C deteriorated the alloy’s resistance against localized corrosion. The most stable passive layer was found to form on the 400°C tempered sample due to the uniformity of Cr-concentration in the formed carbide precipitates and their surrounding matrix. However, Cr-rich carbide precipitates formed in the 500°C tempered sample were found to deteriorate the passive film stability throughout the immersion time in the electrolyte.

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 enseignants0,150
Score d'incertitude au seuil0,525

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 GPT0,198
Écart entre enseignants0,191 · 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

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCORROSIONMême sujetAdditive Manufacturing Materials and ProcessesTravaux en français237 207