MétaCan
Menu
Retour à la cohorte
Enregistrement W4388574808 · doi:10.4028/p-4ccboq

A Promising Approach to Solid-State Hydrogen Storage: Mechanical Nanostructuring Synthesis of Magnesium by High Pressure Torsion Extrusion

2023· article· en· W4388574808 sur OpenAlexaff
Babak Omranpour Shahreza, Fjodor Sergejev, Julia Ivanisenko, Jacques Huot

Notice bibliographique

RevueAdvances in science and technology · 2023
Typearticle
Langueen
DomaineMaterials Science
ThématiqueHydrogen Storage and Materials
Établissements canadiensUniversité du Québec à Trois-Rivières
Organismes subventionnairesnon disponible
Mots-clésHydrogen storageMaterials scienceExtrusionHydrogenMagnesiumTorsion (gastropod)Magnesium hydrideSevere plastic deformationMetallurgyMicrostructureDiffractionComposite materialOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

This article presents an investigation into the impact of High Pressure Torsion Extrusion (HPTE) on the microstructural features, hardness and hydrogen storage, focusing on pure magnesium. HPTE is a modern mechanical nanostructuring technique that can refine the microstructural properties and subsequently affects the mechanical and functional properties of the materials. Two HPTE regimes were used in this study: (1) Direct Extrusion without rotation (DE), and (2) an extrusion speed of 6 mm/min along with a rotational speed of 1.8 rpm (v6w1.8). One sample in as-received conditions was also tested as a reference. Results showed increased hardness in the material after HPTE processing, with the DE sample reaching 60 HRB and the v6w1.8 sample exhibiting a gradient distribution of hardness from 71 to 83 HRB. X-ray diffraction analysis revealed significant microstructural refinement in the v6w1.8 sample. Results of hydrogenation kinetics showed that the DE sample absorbed up to 1.2 wt.% of hydrogen, while the v6w1.8 sample displayed 7.2 wt.% of hydrogen absorption, approaching the theoretical hydrogen storage capacity for magnesium (7.6 wt.%). These findings highlight the positive effects of HPTE on microstructural refinement and hydrogen storage, showcasing its potential for advancements in materials science and hydrogen-based energy technologies.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

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 savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,006
Tête enseignante GPT0,255
Écart entre enseignants0,249 · 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 source (Gemma direct ou Codex distillé), 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

Citations3
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvances in science and technologyMême sujetHydrogen Storage and MaterialsTravaux en français237 207