MétaCan
Menu
Retour à la cohorte
Enregistrement W4387139338 · doi:10.3390/engproc2023043043

A Short Review on Superplasticity of Aluminum Alloys

2023· review· en· W4387139338 sur OpenAlexafffund
Eric Kojo Kweitsu, D.K. Sarkar, X.-Grant Chen

Notice bibliographique

Revuenon disponible
Typereview
Langueen
DomaineMaterials Science
ThématiqueMicrostructure and mechanical properties
Établissements canadiensUniversité du Québec à Chicoutimi
Organismes subventionnairesFonds de recherche du Québec – Nature et technologies
Mots-clésSuperplasticityGrain Boundary SlidingMaterials scienceMetallurgyStrain rateCreepDeformation (meteorology)AlloyGrain sizeGrain boundaryDeformation mechanismComposite materialMicrostructure

Résumé

récupéré en direct d'OpenAlex

Superplastic aluminum (Al) alloys can be used in the forming processes to fabricate complex geometry components for a wide range of applications in the automobile industry, where light weight and high stiffness are needed. Those alloys exhibit extreme tensile elongation of more than 300% at a high homologous temperature and appropriate low strain rate. Superplasticity occurs in Al alloys via the mechanisms of grain boundary sliding, solute drag creep and diffusion creep. Grain boundary sliding usually leads to extensive superplasticity. The activation of grain boundary sliding depends on grain size, strain rate sensitivity, deformation temperature and alloy chemical composition. A complete understanding of influencing factors on Al alloy superplasticity is the key to developing novel superplastic Al alloys. This review discusses the superplastic behavior of several Al alloys, especially focusing on Al-Mg 5xxx alloys. It highlights the mechanisms that govern superplasticity of Al alloys at a low and high strain rate. The factors which influence superplasticity are analyzed. As practice industrial applications, high-cycle-time superplastic forming operations such as quick plastic forming and high-speed blow forming are briefly discussed.

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 candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,857
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0020,000
Bibliométrie0,0000,000
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)0,0020,002

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 Opus0,121
Tête enseignante GPT0,356
Écart entre enseignants0,234 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetMicrostructure and mechanical propertiesTravaux en français237 207