MétaCan
Menu
Retour à la cohorte
Enregistrement W4387122194 · doi:10.1016/j.jmrt.2023.09.275

A scalable method for preparing Al–Mg–Si–Cu alloy profile with varies heterogeneous structures and their relationship with mechanical properties

2023· article· en· W4387122194 sur OpenAlexaff
Shibiao Zhong, Jiqiang Chen, Shengci Li, Jieke Ren, Jiale Miao, Ting Xing, Jialin Guo, Olanrewaju Ojo

Notice bibliographique

RevueJournal of Materials Research and Technology · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueAluminum Alloys Composites Properties
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesJiangxi University of Science and TechnologyNatural Science Foundation of Jiangxi ProvinceNational Natural Science Foundation of China
Mots-clésMaterials scienceAlloyUltimate tensile strengthExtrusionElongationComposite materialRecrystallization (geology)Metallurgy

Résumé

récupéré en direct d'OpenAlex

This work reports a simple method for manufacturing heterogeneous structured Al-Mg-Si-Cu alloy profile modified by TiB2-TiC particles using conventional hot extrusion and solution heat treatment. The heterogeneous structures containing different proportions of coarse grains and fine grains can be regulated by the solution treatment time, and their relationships with the mechanical properties are studied. The results show that the formation of the heterogeneous structure in the alloy is attributed to the non-uniform distribution of the TiB2-TiC particles, which have strong inhibition effects on the recrystallization in the particle-rich zone. When the proportion of coarse/fine grains in the heterostructure is about 2:1, the mechanical properties of the solution-treated alloy profile achieved a high level: tensile strength and yield strength are 345 MPa and 227 MPa, respectively, which are 35 % and 53 % higher than those of the as-extruded alloy with almost no loss of elongation. This work provides a strategy to advance the scalable manufacturing of heterogeneous structured Al alloy profile for various applications.

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 enseignants0,020
Score d'incertitude au seuil0,366

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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 Opus0,043
Tête enseignante GPT0,291
Écart entre enseignants0,248 · 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

Citations11
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Materials Research and TechnologyMême sujetAluminum Alloys Composites PropertiesTravaux en français237 207