Développement de nouvelles formulations de poudres métalliques pour la fabrication de composantes de haute performance
Bibliographic record
Abstract
L'industrie automobile demande sans cesse des manufacturiers de pièces fabriquées par métallurgie des poudres des produits présentant des propriétés mécaniques supérieures tout en minimisant les coûts. L'emploi des poudres autotrempantes est particulièrement bien adapté pour répondre à ses demandes, car ces dernières permettent la trempe directe à la fin du cycle de frittage, éliminant ainsi les étapes supplémentaires habituellement nécessaires pour le traitement thermique. Cette thèse présente les résultats de la modélisation de l'influence des éléments préalliés et prémélangés sur l'optimisation de la compressibilité et de l'autotrempabilité. La planification d'expériences a été utilisée afin de minimiser le nombre d'expériences nécessaires afin de caractériser l'effet des différents facteurs étudiés. De petites quantités de poudres atomisées ont été produites par atomisation à l'eau au laboratoire de métallurgie des poudres de l'Université Laval. Un premier plan d'expériences a permis d'étudier l'effet d'éléments préalliés (nickel, chrome, molybdène et manganèse) et prémélangés (nickel, chrome, cuivre et manganèse). Les propriétés mécaniques ont aussi été mesurées. Un deuxième plan d'expériences a été construit à partir des résultats obtenus lors de la première série. Les résultats montrent que de tous les éléments étudiés, seuls le nickel, le chrome et le molybdène préalliés ont un effet significatif sur la compressibilité et l'autotrempabilité. De plus, pour l'intervalle de composition chimique étudié, la composition chimique de la poudre qui optimise la compressibilité et l'autotrempabilité est : 1,5%-pds Ni, 0,40-0,55%-pds Cr et 1,00-1,25%-pds Mo.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".