Revealing new depths of information with indentation mapping of microstructures
Notice bibliographique
Résumé
Abstract Nanoindentation is crucial in materials science for assessing mechanical properties in submicrometer volumes, and high-speed nanoindentation mapping has evolved it from a localized measurement technique into a scanning-probe-like approach for microstructures, delivering large-area, high-resolution mechanical property maps with more than 200,000 indents in hours. Such mapping enables direct imaging of hardness and modulus variations, phase boundaries, and local deformation behaviors in materials where heterogeneity governs mechanical performance. By correlating these mechanical maps with composition, orientation, and phase data from complementary analytical techniques, deep multidimensional data sets reveal the complex interplay between structure, processing, and properties. Such data sets increasingly demand advanced statistical clustering, machine learning, and deep learning for classification, trend extraction, and phase identification. Moving forward, high-speed nanoindentation is anticipated to operate under operando conditions and advanced mechanical modalities, offering new insights into interfacial deformation, anisotropic behavior, and the broader challenges of materials design and performance. Graphical abstract Schematic representation of high-speed nanoindentation mapping revealing microstructural heterogeneities in mechanical response. The indenter tip rapidly probes the surface, generating property maps sensitive to features such as twinning, recrystallization, segregation, precipitates, and sintered phases. These mechanical maps can be directly correlated with crystallographic and phase information from Electron Backscatter Diffraction (EBSD) and elemental composition from Energy-Dispersive X-ray Spectroscopy (EDS). Measurements can be performed operando, i.e., under real-time and service-relevant environmental conditions (e.g., temperature, atmosphere), enabling direct analysis of structure–property–performance relationships at the microstructural scale.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,024 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».