MétaCan
Menu
Retour à la cohorte
Enregistrement W4404369083 · doi:10.1016/j.jmrt.2024.11.120

Thermo-microstructural-mechanical modeling on effect of travel speeds on thin Ti–6Al–4V deposits developed by laser wire deposition

2024· article· en· W4404369083 sur OpenAlexafffund
Qi Zhang, Fatih Sikan, Nejib Chekir, Mathieu Brochu

Notice bibliographique

RevueJournal of Materials Research and Technology · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueAdditive Manufacturing Materials and Processes
Établissements canadiensMcGill University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaConsortium de Recherche et d’innovation en Aérospatiale au Québec
Mots-clésMaterials scienceDeposition (geology)Pulsed laser depositionComposite materialLaserMetallurgyMicrostructureThin filmEngineering physicsNanotechnologyOptics

Résumé

récupéré en direct d'OpenAlex

This study established a platform of three mechanistic models to understand the predictability of yield strength (YS) for Ti–6Al–4V deposits developed by laser wire deposition (LWD). Eight single-bead, multi-layer Ti–6Al–4V deposits were fabricated by LWD with four travel speeds for subsequent characterization and validation. A finite element analysis (FEA) thermal model was developed to simulate the deposition process and predict the thermal history. A microstructural model based on the α / β phase transformation kinetics was used to predict α / β phase fractions and α lath widths. The constitutive equations integrating the major strengthening mechanisms were used to predict the YS. The accuracy of all models was confirmed by comparison with experimental data. Grain size and tensile strength are statistically different only between the deposits produced with the slowest and fastest travel speeds. Microhardness is statistically similar across all travel speeds. Tensile results for all deposits are above the minimum tensile requirements according to the AMS4999 standard.

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 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 enseignants0,007
Score d'incertitude au seuil0,501

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 Opus0,020
Tête enseignante GPT0,288
Écart entre enseignants0,268 · 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

Citations2
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Materials Research and TechnologyMême sujetAdditive Manufacturing Materials and ProcessesTravaux en français237 207