MétaCan
Menu
Retour à la cohorte
Enregistrement W4404481341 · doi:10.59499/wp225372000

Effect Of Alloy Composition On The Atomization By EIGA Process

2022· article· en· W4404481341 sur OpenAlexaff
Agathe Deborde, Aurélie Franceschini, Jérôme Delfosse, Stéphane Hans

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueMetallurgy and Material Forming
Établissements canadiensSafran Electronics (Canada)
Organismes subventionnairesnon disponible
Mots-clésAlloyProcess (computing)Composition (language)MetallurgyMaterials scienceComputer scienceProgramming languageArt

Résumé

récupéré en direct d'OpenAlex

Powder metallurgy is used in various industries such as aerospace, medical, defence, etc. For high cleanliness materials, metal powders can be produced using the EIGA process (Electrode Induction melting Gas Atomization). The EIGA process involves the crucible-free melting of an ingot followed by atomization using high-pressure argon. A full-scale EIGA is installed at MetaFensch|IRT M2P for R&D purposes (alloy development, numerical simulation, upscaling, etc.).Process parameters such as electrode size and gas parameters have a predominant influence on powder size and yields. On the other hand, chemical composition of the alloy and the associated thermophysical properties have a significant impact on the atomization process, and therefore on the quality of the powders. To better understand the effect of the composition, several alloys were selected (Ti64, titanium aluminide, nickel-based alloys, etc.) and atomized using the EIGA process. The properties of the powders, especially particle size distribution and morphology, are compared.

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: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,178
Score d'incertitude au seuil0,678

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)0,0010,000

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 Opus0,003
Tête enseignante GPT0,196
Écart entre enseignants0,193 · 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
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetMetallurgy and Material FormingTravaux en français237 207