Casting and Characterization of A319 Aluminum Alloy Reinforced with Graphene Using Hybrid Semi-Solid Stirring and Ultrasonic Processing
Notice bibliographique
Résumé
Advanced metallurgical processing techniques are required to produce aluminum matrix composites due to the tendency of the reinforcement particles to agglomerate. In this study, graphene nano-platelet reinforcement particles were effectively incorporated into an automotive A319 aluminum alloy matrix using a liquid metallurgical route. Due to its low density, it is a highly difficult task to produce an aluminum matrix composite reinforced with graphene. Hence, this study explored a novel approach to prevent particle floating to the melt surface and agglomeration. This was achieved via a hybrid semi-solid stirring of A319, followed by ultrasonic treatment of the liquid melt using a sonication probe. The microstructure and graphene particles were characterized using optical microscopy and scanning electron microscopy. Furthermore, the interfacial products produced with the incorporation of graphene in liquid aluminum were analyzed with X-ray diffraction. The tensile test results exhibited 10, 11 and 32% improvements in ultimate tensile strength, yield strength, and ductility of A319 reinforced with 0.05 wt.% addition of graphene. Analysis of strengthening models demonstrated primary contribution from Hall-Petch followed by CTE mismatch and load bearing mechanism. The results from this research enable the potential for using cost-effective, efficient and simple liquid metallurgy methods to produce aluminum reinforced graphene composites with improved mechanical properties.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».