Grain boundary interstitial segregation in substitutional binary alloys
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Grain boundary (GB) segregation is a powerful approach for optimizing the thermal and mechanical properties of metal alloys. In this study, we report significant GB interstitial segregation in a representative substitutional binary alloy system (Al-Ni) through atomistic simulations, challenging prevailing assumptions in the literature. Our findings show that Ni atoms preferentially segregate to interstitial sites within numerous kite-like GB structures in the Al bicrystals. An intriguing interplanar interstitial segregation pattern was also observed and analyzed. Additionally, interstitial segregation can induce unexpected GB transitions, such as kite transitions and nano-faceting, due to the existence of small interstitial sites. Building upon these observations, we developed a robust method to systematically identify the interstitial candidate sites for accommodating solutes at GBs. This approach combines site detection with structural filtering to produce distributions of interstitial sites that closely match atomistic simulation results. Applied to nanocrystalline alloys, this method enabled the calculation of interstitial segregation energies, significantly improving GB segregation predictions for the Al-Ni system. Furthermore, machine learning models using smooth overlap of atomic positions descriptors successfully predicted the per-site interstitial segregation energies. This study highlights the critical role of GB interstitial segregation in advancing our understanding of solute behavior and provides valuable insights for designing next-generation alloys.
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.
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 | 0,000 | 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) | 0,000 | 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 découle