Термодинамический анализ условий образования карбида кремния в сложных металлических расплавах
Notice bibliographique
Résumé
The Me–Si–C systems which contain metal melt are the basis of a promising technique for growing single crystals of silicon carbide. Such techniques necessitate the search for metal compositions with relatively low melting points, which would preserve the ability to dissolve silicon and carbon in sufficient amounts. The increasing complexity of metal melt compositions based on the elements of the iron subgroup enables to achieve the desired effect. To search new compositions of fusible metal melts, i.e. catalysts of silicon carbide crystals growth, it is advisable to use the liquidus surface of the Fe–(...)–Si–C systems. The aim of this work was to make thermodynamic modeling of the Fe–(...)–Si–C systems to identify opportunities for reducing the metal melt temperature in equilibrium with silicon carbide. The “Phase Diagram” block of the software package “FactSage” (version 6.4) developed by “Thermfact” (Canada) and “GTT Technologies” (Germany) were used for thermodynamic modeling. During this investigation liquidus surfaces of the Fe–Ni–Si–C, Fe–Co–Si–C, Fe–Mn–Si–C and Fe–Ni–Co–Mn–Si–C systems were calculated. Phase diagrams presented in the form of surface liquidus enablesilicon carbide; synthesis in a metal melt; iron; nickel; cobalt; manganese not only to determine metal composition with the lowest melting point, but also to visualize the range of concentrations and temperatures for which SiC is the reaction product of metal components. This is especially useful in the mode selection process of growing silicon carbide crystals.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,005 |
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 ».