EFFECT OF MACHINING ON IMPACT TOUGHNESS VALUE OF RAIL SAMPLES DT350 FROM STEEL GRADE 76ХФ
Notice bibliographique
Résumé
It is known that the value of impact toughness is sensitive to the geometric accuracy of manufacturing, the quality of the surface and concentrator of samples for impact bending. These parameters have a particularly strong influence on samples made of high-carbon materials. At present, the main regulatory document for the manufacture of samples for impact bending is GOST 9454‒78, which does not regulate the method of applying concentrators. Currently, methods of drawing, milling and electroerosion processing are used to apply the concentrator. The issue of the influence of processing methods on the magnitude of impact strength, in particular rail steel, has not been fully studied. To study the effect of electroerosion processing on impact toughness value we made specimens of P65 rail of DT350 category from 76ХФ steel of current EVRAZ ZSMK production using CNC milling machine and electroerosion processing. It has been established that the decrease in the values of impact strength of samples made using electroerosive machining was due to martensite released during local melting of the metal and non-ferrous metals (Cu and Zn) released during processing. During the operation of the electroerosion processing machine, an uneven surface was formed when the arc locally knocked out “holes”, which serve as additional stress concentrators during impact bending tests. The application of the concentrator by a milling machine leads to the formation of a deformed layer up to 80 µm deep, which is not a stress concentrator and does not reduce the impact strength of the rail steel. As part of a further study, it is planned to investigate the effect of the application of the concentrator by the pulling method on the value of the impact toughness.
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 | 0,003 | 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) | 0,003 | 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 ».