OPTIMASI PERLAKUAN PANAS AUSTEMPERING UNTUK MENINGKATKAN PERFORMA BAJA AISI 4340
Notice bibliographique
Résumé
Baja AISI 4340 merupakan baja paduan rendah yang banyak digunakan dalam industri manufaktur, terutama untuk komponen kritis, seperti poros, roda gigi, dan piston. Komponen-komponen tersebut membutuhkan kombinasi antara kekerasan tinggi dan ketangguhan yang baik, yang dapat diperoleh melalui perlakuan panas yang tepat. Salah satu metode perlakuan panas yang efektif untuk meningkatkan sifat mekanis adalah melalui proses austempering. Penelitian ini bertujuan untuk mengevaluasi respons mikrostruktur dan kekerasan baja AISI 4340 terhadap tiga variasi metode perlakuan panas austempering, yaitu isothermal austempering, up-quenching austempering, dan modified austempering. Metode pertama, isothermal austempering, dilakukan dengan memanaskan baja hingga temperatur austenisasi pada 800 °C, kemudian dilakukan proses pemanasan secara isotermal pada temperatur 430 °C. Metode kedua, up-quenching austempering, dilakukan dengan proses austenisasi yang diikuti oleh pendinginan dalam furnace dan dilanjutkan dengan austempering pada temperatur 500 °C. Sedangkan metode ketiga, modified austempering, dilakukan dengan austenisasi yang diikuti oleh pencelupan dengan media pendingin oli pada temperatur 250 °C sebelum dilakukan austempering pada temperatur 400 °C. Hasil pengamatan metalografi melalui mikroskop optik menunjukkan bahwa ketiga metode perlakuan panas tersebut menghasilkan struktur mikro yang berbeda-beda, yaitu upper bainite, lower bainite, dan martensite, namun semuanya mengandung austenit sisa dalam jumlah tertentu. Sementara itu, pengujian sifat mekanis berupa kekerasan menggunakan Rockwell C menunjukkan bahwa metode isothermal austempering menghasilkan kekerasan tertinggi, yaitu sebesar 44,4 HRC. Nilai kekerasan berikutnya diikuti oleh modified austempering sebesar 42,9 HRC, dan up-quenching austempering sebesar 28,1 HRC. Berdasarkan hasil tersebut, isothermal austempering menjadi metode paling efektif dan layak untuk diterapkan dalam skala industri karena mampu menghasilkan kekerasan yang optimal.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».