MétaCan
Menu
← Retour à la cohorte
Enregistrement W7081999286 · doi:10.11159/mmme25.171

Comparison of Erosive Wear on Composite and Metallic Propellers in Slurry

2025· article· en· W7081999286 sur OpenAlexvenueno aff

Notice bibliographique

RevueProceedings of the World Congress on Mechanical, Chemical, and Material Engineering · 2025
Typearticle
Langueen
DomaineComputer Science
ThématiqueGeochemistry and Geologic Mapping
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésComposite numberSlurryMetalMetal matrix compositeErosion

Résumé

récupéré en direct d'OpenAlex

The aim of this study was to investigate the influence of material, geometry, and particle concentration on the wear behaviour of propellers.Particular attention was given to the performance of a modified polyamide material called "Physinit" in comparison to stainless steel.Four test series were carried out using a half factorial design of experiments without repetition.The propellers were rotated in an aqueous slurry containing silicon carbide particles at a constant speed of 1493 rpm.The varied factors included propeller material (stainless steel vs. polyamide), geometry (Phantom vs. three-blade), and particle concentration (80 g/l vs. 200 g/l).The primary measured parameters were relative mass loss and change in diameter.Stainless steel showed higher mass loss and greater diameter reduction compared to the Physinit material.Increasing particle concentration led to increased wear.Wear rates were higher for stainless steel across both geometries.Diameter reduction in stainless steel occurred continuously, while Physinit exhibited delayed and lower reduction.Geometry had a noticeable effect on the uniformity of wear, though its overall influence was less pronounced than that of the material.The experimental data indicate that Physinit demonstrates a distinctly different wear behaviour under abrasive conditions compared to stainless steel.Under the given test conditions, the wear rate of the Physinit propeller was significantly lower than that of the stainless-steel propeller.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
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)0,0010,000

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 Opus0,009
Tête enseignante GPT0,230
Écart entre enseignants0,222 · 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 source (Gemma direct ou Codex distillé), 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
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the World Congress on Mechanical, Chemical, and Material Engineering→Même sujetGeochemistry and Geologic Mapping→Travaux en français237 207→