MétaCan
Menu
Retour à la cohorte
Enregistrement W4403263318 · doi:10.1002/srin.202400308

Effect of Pressure on the Linear Friction Welding of a Tool Steel and a Low‐Alloy Carbon Steel

2024· article· en· W4403263318 sur OpenAlexafffund
O.A. Zambrano, Javad Gholipour, Priti Wanjara, Jiaren Jiang

Notice bibliographique

Revuesteel research international · 2024
Typearticle
Langueen
DomaineMaterials Science
ThématiqueMetal Alloys Wear and Properties
Établissements canadiensNational Research Council Canada
Organismes subventionnairesNational Research Council Canada
Mots-clésMaterials scienceMetallurgyCarbon steelAlloyWeldingAlloy steelFriction weldingCarbon fibersComposite materialComposite numberCorrosion

Résumé

récupéré en direct d'OpenAlex

This study investigates the effect of pressure (burn‐off and forging) on the mechanical properties of the joint between a wear‐resistant tool steel and a low‐alloy steel using linear friction welding. The authors have previously demonstrated the feasibility of joining these dissimilar materials, but the impact of pressure on the mechanical properties of the bimaterial joint remains unclear. To address this, weld samples are prepared using different pressures and are characterized through microstructural analysis, microhardness, tensile testing, and fractography. The results show that the strength of the joint between the wear‐resistant tool steel and the low‐alloy carbon steel increases as the pressure increases up to a certain point, after which a decrease is observed. The highest joint strength is achieved at a pressure of 360 MPa. The microhardness profile measurement reveals a distinct transition zone at the interface between the two materials, with varying hardness values. The hardness of the low‐alloy carbon steel increases near the interface, while that of the wear‐resistant tool steel decreases. This transition zone is found to be narrower at higher pressures. Microstructural characterization shows that the grain structure near the interface differs from that of the starting base materials.

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)0,004
score de la tête « metaresearch » (Gemma)0,001
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 enseignants0,029
Score d'incertitude au seuil0,500

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,001
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 Opus0,049
Tête enseignante GPT0,352
Écart entre enseignants0,303 · 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
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuesteel research internationalMême sujetMetal Alloys Wear and PropertiesTravaux en français237 207