Élaboration de revêtements céramiques par projection cold spray : relation entre les caractéristiques des poudres et les propriétés physiques des dépôts
Bibliographic record
Abstract
Le cold spray est un procédé qui est basé sur l’accélération à vitesse supersonique (jusqu’à 1200 m/s) de particules non fondues à travers une buse de type De Laval par un gaz sous pression (ex : N2). Puisque les particules restent à l’état solide, le revêtement est en général conçu grâce à la déformation plastique et/ou à la fragmentation contrôlée, puis à un ancrage mécanique des poudres lors de l’impact sur le substrat à très haute énergie cinétique. Le cold spray est utilisé essentiellement avec des matériaux ductiles, mais récemment un intérêt croissant a été porté au cold spray de céramiques, en particulier avec des poudres agglomérées. Dans ce cas, le principal défi est alors de contrôler la fragmentation des granules lors de l’impact en jouant sur différents leviers, afin d’améliorer la qualité des dépôts obtenus et le rendement de déposition. Lors de ces travaux, plusieurs pistes ont été étudiées, notamment avec l’hydroxyapatite. La première concerne l’influence des propriétés des poudres, et en particulier la forme et la taille des nanoparticules à l’intérieur des agglomérats. Puisque l’adhérence est essentiellement mécanique, des particules fines et allongées vont présenter une meilleure intrication, et il sera alors plus facile de construire le dépôt. La seconde piste est davantage axée sur le procédé avec une optimisation poussée de tous les paramètres de tirs, en utilisant plusieurs équipements, mais aussi différents types de substrats. Les résultats les plus intéressants ont été obtenus en basse pression en utilisant des sous couches PEEK projetées par flamme. Enfin, dans la dernière idée étudiée, des expérimentations ont été réalisées sous vide. La réduction de l’onde de choc permet alors d’améliorer significativement les revêtements obtenus en terme d’épaisseur, mais aussi de cohésion et de rendement.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.000 |
| Scholarly communication | 0.001 | 0.002 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
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; both teacher heads agree on what is shown here.
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".