MétaCan
Menu
Retour à la cohorte
Enregistrement W4313253981 · doi:10.6000/2369-3355.2022.09.05

Surface Microprocessing AISI-O1 by Pulsed Nd: YAG Laser

2022· article· en· W4313253981 sur OpenAlexvenueno aff
Kelvii Wei Guo

Notice bibliographique

RevueJournal of Coating Science and Technology · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueLaser Material Processing Techniques
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMaterials scienceLaserMoldScanning electron microscopeProfilometerIrradiationOptical microscopePulse durationMorphology (biology)Nd:YAG laserDie (integrated circuit)Composite materialMetallurgyOpticsNanotechnologySurface finish

Résumé

récupéré en direct d'OpenAlex

Due to tedious and time-consuming work put into the conventional mold/die microprocessing (about 37% of the total time of the entire mold/die production). Therefore, to improve or enhance the quality of mold/dies at the final step with a less number of trained and skilled operators or decrease the processing time to cut the overall cost dramatically, AISI-O1 cold work steel was micro-processed by Pulsed Nd: YAG laser. The influence of laser processing parameters on the evolution of the correlated surface morphology was investigated by a 3D profilometer, scanning electron microscopy (SEM), and optical microscopy (OM). The results show that when AISI-O1 specimens were irradiated with various parameters, the morphology of AISI-O1 cold work steel was changed correspondingly. It also demonstrates that the different kinds of micro-processed surface morphology could be established successfully to satisfy the later practical requirements for a given laser. Meanwhile, the effect of laser processing parameters on the relevant temperature was described, and the laser microprocessing temperature field was also proposed. It reveals that the influence of laser pulse feed rate was more prominent than that of other parameters on the relevant micro-processed surface morphology.

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)0,001
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 enseignants0,005
Score d'incertitude au seuil0,372

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
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 Opus0,005
Tête enseignante GPT0,224
Écart entre enseignants0,219 · 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 revueJournal of Coating Science and TechnologyMême sujetLaser Material Processing TechniquesTravaux en français237 207