Bibliometric analysis of AZ31 alloy welding: trends in the use of the friction stir welding process
Notice bibliographique
Résumé
This study presents a bibliometric analysis of research related to lightweight alloys, particularly the AZ31 magnesium alloy, and the friction stir welding (FSW) process. A structured search using the keywords “Weld* AND AZ31*” was conducted in the Web of Science database. From the 1,681 retrieved articles, titles, keywords, and abstracts were analyzed to identify prevailing themes, commonly used terms, and emerging research trends. These trends were examined in the context of macroeconomic and socio-environmental factors, especially the Environmental, Social, and Governance (ESG) agenda and the role of lightweight alloys in reducing greenhouse gas (GHG) emissions. Magnesium alloys such as AZ31 are employed to produce components with up to 30% less mass than equivalent aluminum parts, contributing to lower fuel consumption and emissions in transportation. The choice of materials must consider the interaction between material, function, process, and form. In this regard, FSW, a solid-state joining process that eliminates the need for filler materials and shielding gases, is particularly effective for joining AZ31 alloys, reducing manufacturing costs and welding defects commonly associated with fusion-based methods. The analysis indicates a growing academic interest in AZ31 alloys, driven by their low density and favorable mechanical properties. However, a notable gap remains regarding multi-pass FSW and the use of machine learning techniques to predict weld behavior. Terms like “double side” or “double pass” appear in only 0.47% of the dataset. In comparison, co-occurrences of “FSW” and “Machine Learning” are limited to 0.3%, featuring techniques such as deep neural networks, decision trees, XGBoost, and random forests. The most active research groups are based in countries with high production and consumption of magnesium alloys, including China, India, Japan, the United States, and Canada. Brazil, despite being a major magnesite producer, imports metallic magnesium, highlighting the need for national policies to support technological development. This study contributes by identifying research gaps and proposing future directions in sustainable welding and manufacturing.
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 | 0,006 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,154 | 0,196 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».