Effets de l'augmentation de la teneur en titane sur l'affinage des grains de l'alliage A356.2
Bibliographic record
Abstract
Comme les autres métaux, l'aluminium est rarement utilisé à l'état pur. Différents éléments sont additionnés à l'aluminium afin de modifier ou améliorer les propriétés mécaniques. Ainsi, environ 85 à 90 % des pièces produites avec ce métal sont constituées d'alliages aluminium-silicium. Ces alliages offrent une excellente coulabilité et peuvent être usinés et soudés. En plus du silicium, il y a d'autres éléments qui peuvent être alliés à l'aluminium. Un de ceux-ci est le titane. La présence de cet élément a des conséquences sur la solidification, la microstructure (affinage des grains, etc.) et les propriétés mécaniques. \n \nLe but de ce travail est d'étudier l'affinage des grains de l'alliage A356.2 en présence de titane de même que les différents effets de la présence ou de l'augmentation de la concentration de cet élément dans l'alliage. Comme pour la plupart des éléments d'alliage, le titane affine (réduit) la taille des grains. La réduction de la taille des grains est toutefois plus prononcée avec cet élément. En général, la réduction de la taille des grains est inversement proportionnelle à la concentration en titane. À partir d'une certaine concentration, la taille des grains devient minimale. \n \nDe plus, en présence de titane, il y a formation de plaquettes de Ti(Al,Si)3. Ces plaquettes dissolvent une petite quantité de silicium. De plus, la surchauffe peut changer la morphologie de ces plaquettes. Lorsque la concentration est faible, la surchauffe augmente la taille des grains. \n \nIl est possible d'observer par analyse thermique certains phénomènes qui résultent de la présence de titane. Ainsi, l'accroissement de la concentration en titane entraîne une hausse de la température du début de la solidification de l'aluminium. La hausse exacte dépend de la concentration. Le titane affecte aussi d'autres paramètres de la courbe de solidification (AT, etc.). \n
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 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.007 | 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".