MétaCan
Menu
Retour à la cohorte
Enregistrement W4387010103 · doi:10.36547/ams.29.3.1835

Characterization of Hot Deformation behavior for Ultra-High Strength (UHS) Steel containing Tungsten

2023· article· en· W4387010103 sur OpenAlexaff
Taher El-Bitar, Maha El-Meligy, Wojciech Borek, Saad Ebied

Notice bibliographique

RevueActa Metallurgica Slovaca · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueMetallurgy and Material Forming
Établissements canadiensCanadian MPS Society for Mucopolysaccharide and Related Diseases
Organismes subventionnairesCentral Metallurgical Research and Development Institute
Mots-clésMaterials scienceFlow stressSofteningStrain rateIsothermal processStrain hardening exponentDeformation (meteorology)Hardening (computing)PlasticityAlloyDynamic strain agingMetallurgyTungstenWork hardeningFlow (mathematics)Composite materialMechanicsThermodynamicsMicrostructurePhysics

Résumé

récupéré en direct d'OpenAlex

The steel alloy of the current study contains 0.3% carbon with different amounts of Cr, and Mo, in addition to W. Single simulation hits were designed as isothermal passes for compressive hot deformation up to 0.5 true strain. Each simulation compressive pass was carried out at temperatures, 1050, 950, 850 and 750 oC, with strain rates 0.1 and 1.0 sec-1. A numerical computational model is used for formulation of the alloy hot flow behavior at the specified conditions. The model considers inseparable strain hardening mechanism and dynamic softening phenomenon. It is noticed that high deformation temperature lowers the flow stress value (σf), while the increase of the strain rate raises it. The flow curves reveal initial high strain hardening phenomena in combination with low dynamic softening features. With the increase of strain, the dynamic softening, becomes dominant, and the flow stress gradually drops until a relatively stable stress level. Predicted flow curves were then constructed and compared with their counterpart experimental flow curves. The predicted flow curves are typically matching the counterpart experimental ones.

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 enseignants0,101
Score d'incertitude au seuil0,888

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 savante0,0000,001
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 Opus0,018
Tête enseignante GPT0,229
Écart entre enseignants0,211 · 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

Citations2
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueActa Metallurgica SlovacaMême sujetMetallurgy and Material FormingTravaux en français237 207