MétaCan
Menu
Retour à la cohorte
Enregistrement W7037286781

Effect of atmospheric humidity and temperature on the flowability of lubricated powder metallurgy mixes

2009· article· en· W7037286781 sur OpenAlexvenueno aff

Notice bibliographique

RevueNPARC · 2009
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueChaos control and synchronization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPowder metallurgyZinc stearateHumidityCompactionRelative humidityMetal powderParticle sizeFlow (mathematics)
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Good powder mix flowability is required in high-volume powder metallurgy (P/M) manufacturing in order to ensure a uniform and consistent filling of the die cavities and, in turn, high productivity, low rejection rates, part integrity and consistent part-to-part characteristics such as dimensional change. Apart from the particle size and the shape of the metallic powders and additives, lubricants, even though admixed in small quantities (<1.5 weight %), have a significant impact on the flow characteristics of powder lend formulations. In addition to that, the blending parameters and the atmospheric conditions such as powder temperature and atmosphere temperature and humidity, may also affect significantly the flow of powder mixes. For instance, it is know that some mixes produced during humid and hot summer days may behave differently. In this paper, the effect of relative humidity and temperature on the flow of conventional P/M mixes containing different types of lubricants was studied. Typically, amide wax, Kenolube, zinc stearate as well as proprietary lubricants were admixed in a V-blender enclused in an environmental chamber set at different humidity and temperature levels to simulate different atmospheric and processing conditions. The sensitivity to such conditions of the different lubricants was assessed and the influence on the flow of the powder mixes as well as on the compaction and ejection behaviors was measured.

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 enseignants0,316
Score d'incertitude au seuil0,424

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)0,0000,000

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 Opus0,004
Tête enseignante GPT0,210
Écart entre enseignants0,207 · 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
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNPARCMême sujetChaos control and synchronizationTravaux en français237 207