Model and validation of NbC nanoprecipitation during TMCP of X70 microalloyed steels
Notice bibliographique
Résumé
The effects of niobium (Nb) composition and temperature during the transition from rough rolling (RR) to finish rolling (FR) and during coiling were studied for NbC nanoprecipitation (<10 nm radius) in X70 microalloyed steels . Three (3) X70 microalloyed steels , with a composition of either 0.06 wt% Nb or 0.03 wt% Nb and/or with different cooling rates from rough rolling to finish rolling and/or different cooling interrupt temperatures (high (>550 °C) and low (<550 °C)), were studied. Matrix dissolution, in combination with transmission electron microscopy and X-ray diffraction, were used to quantify the size distribution and volume fraction of NbC nanoprecipitates in each steel. The measured peak radius and volume fraction of NbC nanoprecipitates for the 0.06 wt% Nb steels were 3.0–3.5 nm and 4.1 × 10 −4 , respectively, and 2.0 nm and 2.2 × 10 −4 respectively, for the 0.03 wt% Nb steel. NbC precipitation was modeled using the PRISMA module of Thermo-Calc with the predicted size distributions showing good agreement with the measured NbC size distributions. For the processing conditions studied, model results showed that the majority of nano NbC precipitation occurred during finish rolling. The predicted size distribution of these precipitates was affected by the nominal Nb composition and the finish rolling temperature(s). Model results indicated that nucleation and growth of NbC in the ferrite (for the conditions studied) were negligible. A simulation with increased cooling rate between the end of rough rolling and the start of finish rolling showed a decrease in the size of NbC nanoprecipitates from 3.3 nm to 2.6 nm.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».