MétaCan
Menu
Retour à la cohorte
Enregistrement W4402154386 · doi:10.31399/asm.cp.itsc2024p0732

Cold-Sprayed Aluminum Alloys: Exploring the Differences Between 6061 and 7075

2024· article· en· W4402154386 sur OpenAlexaff
Kimia Rafiee, Evelin Barbosa de Mélo, Phuong Vo, M. Martín, S. Yue

Notice bibliographique

RevueThermal spray · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueHigh-Temperature Coating Behaviors
Établissements canadiensNational Research Council CanadaMcGill University
Organismes subventionnairesnon disponible
Mots-clésMaterials scienceGas dynamic cold sprayAlloyDuctility (Earth science)MetallurgyDeposition (geology)AluminiumMicrostructureAlonizingSpray formingWork (physics)Composite materialCreepThermodynamicsCoating

Résumé

récupéré en direct d'OpenAlex

Abstract Cold spray is a solid-state metal powder deposition technique that has proven to be highly effective in depositing a wide range of metals, including aluminum and its alloys. However, higher strength, heat treatable Al alloys appear to exhibit variable deposition efficiencies and responses to heat treatments designed to increase ductility. This work is aimed at understanding the sources of these variabilities. In this study, 6061 (0.9% Mg, 0.6% Si, 0.3% Cu, 0.1% Cr, 0.1% Fe) alloy is compared to 7075 (6% Zn, 1.6% Cu, 2.4% Mg, 0.2% Cr, 0.3% Fe) alloy. These are common heat treatable alloys, but they exhibit quite different cold spray characteristics. Generally, 7075 is more problematic in terms of deposition efficiency and the mechanical properties after heat treatment. The alloys were processed under various cold spray conditions, including laser assisted cold spray designed to soften the 7075, and subjected to heat treatments intended to increase ductility. The microstructure and mechanical properties of the as sprayed and heat-treated coatings were characterized and compared. The results of this investigation will reveal possible mechanisms explaining the different cold spray behaviors and some suggestions will be proposed to overcome the problems associated with 7075.

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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,581
Score d'incertitude au seuil0,609

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 savante0,0000,000
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 Opus0,034
Tête enseignante GPT0,234
Écart entre enseignants0,200 · 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

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThermal sprayMême sujetHigh-Temperature Coating BehaviorsTravaux en français237 207