High-temperature tribological performance of stir-cast and heat-treated EV31A magnesium alloy: Experiments and predictions
Notice bibliographique
Résumé
The temperature effect on the wear behaviour of EV31A Mg alloy during dry sliding wear was investigated. Wear tests were carried out at 50, 100, 150, 200, and 250 °C using a standard load of 10 N and a sliding distance of 1000 m. Weight loss method was used to calculate the wear rate. Optical microscopy was used to examine the microstructure of the EV31A alloy. FE-SEM with EDS analysis was used to investigate the wear morphology, and XRD analysis was performed both before and after the wear test. A high wear coefficient (K) value (more than 10 −4 ) indicates extreme wear for EV31A in all the scenarios. T4 EV31A had a maximum wear rate of 20.2 mg at 150 °C. The as-cast EV31A alloy exhibits an excellent wear rate at the price of mechanical properties under all test scenarios. Wear resistance is improved by Nd and Zr oxides, although Mg and Gd oxides have little effect. Zn has no effect on the wear behaviour of the EV31A. In as-cast, T4, and T6 heat-treated conditions, the EV31A alloy exhibits delamination (abrasive wear), oxide development (corrosive wear), and delamination mixed with plastic deformation (adhesive wear). A Three-layered ANN and adapted Fine Gaussian SVM predicted tribological characteristics. In ANN prediction, the maximum R 2 was 0.99 for CoF and 0.89 for wear rate, respectively. Despite the fact that the study's normal load is constant, machine learning models allow to deduce that temperature and normal load are the main influential parameters in CoF and wear rate, respectively.
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 ».