MétaCan
Menu
Retour à la cohorte
Enregistrement W7135196865 · doi:10.1109/aaac66612.2025.11427443

Analysis and Comparison of Techniques for Artificially Preparing Typical Aero-Engine Disk Material Defects

2025· article· W7135196865 sur OpenAlexaff
Huimin Zhou, Guo Li, Shuiting Ding, Gong Zhang, Bo Zhen

Notice bibliographique

Revuenon disponible
Typearticle
Langue
DomaineEngineering
ThématiqueElectronic Packaging and Soldering Technologies
Établissements canadiens123 Certification (Canada)
Organismes subventionnairesChina Postdoctoral Science FoundationNational Natural Science Foundation of China
Mots-clésProcess (computing)WeldingWork (physics)Materials testingDeformation (meteorology)

Résumé

récupéré en direct d'OpenAlex

Material defects in titanium alloys, powder alloys, and wrought superalloys can compromise the structural integrity of aero-engine disks, thereby leading to uncontained failure, which poses a significant threat to aircraft safety. Studying how material defects affect rotor disks provides technical support for improving aircraft safety. Since natural defects rarely occur during normal production, researchers have developed methods to prepare defect-containing materials artificially. These methods primarily utilize hot isostatic pressing (HIP) to bond the defects into materials. Artificial defects are now well-established for titanium alloys and powder metallurgy alloys and are widely used in research. This paper describes the existing methods for creating artificial defects in titanium alloys and powder metallurgy alloys. Besides, this paper presents experiments creating "dirty white spot" defects in GH4169 superalloy. The experimental results show that although GH4169 with dirty white spot defects prepared by HIP can meet the requirements of ultrasonic testing research, the low mechanical strength of the HIP interface will affect the fatigue test results. Then, the differences and causes of the three types of materials containing artificial defects were compared and analyzed.

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 candidatesMéta-épidémiologie (sens strict)
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 enseignants0,425
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
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 Opus0,011
Tête enseignante GPT0,283
Écart entre enseignants0,273 · 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.

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 sujetElectronic Packaging and Soldering TechnologiesTravaux en français237 207