Potentiel accru du Laser à Fibre pour l'analyse Quantitative des Éléments d'alliages dans l'acier
Bibliographic record
Abstract
Les alliages de Fer sont des matériaux métalliques relativement peu onéreux dont les performances mécaniques satisfont de nombreuses exigences qui peuvent atteindre des niveaux très élevées. La présence d'éléments d'alliages conduit, dans la plupart des cas, à des modifications de la strucutre et du comportement mécanique des métaux. L'importance de vérifier la composition chimique des alliages métalliques a augmenté au fil des ans pour garantir la qualité des produits expédiers (tuyau, fil, plaque, feuille et tôles d'acier) et ainsi minimiser les coûts reliés au retour de marchandise et de réusinage. La spectrométrie laser-plasma (LIBS : “Laser-Induced Breakdown Spectroscopy”) est une technique analytique bien connue qui permet la détection de la plupart des éléments du tableau périodique avec des limites de détection de l'ordre de la partie par million massique (ppm m/m) et ceci sur tous types d'échantillons qu'ils soient liquides, solides ou gazeux. Sa simplicité de mise en œuvre, sa rapidité et sa versatilité en font une technique très attractive avec un fort potentiel pour les applications nécessitant un contrôle en ligne. La forte émergence sur le marché des lasers Ytterbium de grande puissance et compacte permettent d'obtenir sur la cible des densités de puissance de l'ordre de 100 MW/cm2. Cette densité est suffisante et supérieure au seuil d'ablation du matériau ainsi qu'au seuil de claquage (i.e. création du plasma). Lorsque de telles sources sont couplées à des spectromètres de haute résolution, ceci permet d'effectuer des mesures LIBS sur des alliages d'acier. Des courbes de calibrations pour le Mn, Ni, Cr, Si , Cu, V et Ti ont été obtenus avec une reproductibilité sur la mesure site à site de l'ordre de 1%.
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
Direct model labels (unvalidated)
Per-model category and study-design labels from the labeling rounds. They are machine output, unvalidated, and the disagreement between models ships as data. No study design here is MEDLINE-validated yet.
| Model arm | Categories | Study design | Confidence |
|---|---|---|---|
| gemma | no category Domain: not available · Genre: Empirical About the Canadian research system: no · About a Canadian topic: no | Bench or experimental | low |
| gpt | no category Domain: not available · Genre: Empirical About the Canadian research system: no · About a Canadian topic: no | Bench or experimental | low |
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 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, unvalidatedLabeled directly by 2 models reading the full record.
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".