XiaoMi-AI文件搜索系统
World File Search Systemmicrostructure
感应加热原位合金化NiAl-Ta-Cr的微观组织...
开发用于涂层和结构部件的新型高温材料是提高燃气涡轮发动机等设备的效率和可持续性的重要课题。NiAl 基合金是一种很有前途的新型高温材料。在本研究中，研究了具有不同 Cr 和 Ta 含量的 NiAl-Ta-Cr 合金的微观结构和显微硬度。通过基于激光的定向能量沉积利用原位合金化方法通过混合元素 Ta 和 Cr 以及预合金 NiAl 粉末制造了分级样品。进行了热力学计算以预先设计合金成分。采用基材的感应预热来应对因高脆性而导致的开裂问题。结果表明，开裂随预热温度的升高而减少。然而，即使在 700 ◦ C 时，开裂也无法完全消除。扫描电子显微镜、X 射线衍射和电子背散射衍射表明，在 NiAl-Ta 和 NiAl-Cr 合金中形成了 B2-NiAl、A2-Cr 和 C14-NiAlTa 相。对于 NiAl-Ta-Cr 成分，观察到计算和实验之间相形成的偏差。在 NiAl-Ta 和 NiAl-Ta-Cr 系统中，共晶成分在 14 at.-% Ta 时可获得最大硬度值，最大值高于 900 HV0.1。
微观结构表征和分析的机器学习
摘要：在当代世界中，创建新颖的纳米材料进行了许多研究，这些材料对于许多行业至关重要，包括电子芯片和云中的存储设备，很少有人提及。同时，出现了用于解决不同行业（例如制造，物理和化学工程）中问题的机器学习（ML）。ML具有通过监督或无监督的手段学习能力来解决许多现实世界中的问题。从最新的状态中推断出，必须使用ML方法来分析纳米材料的图像，从而进一步确定事实，以朝着微观结构和材料的光谱数据进行表征和分析。朝向这一目标，在本文中，我们提出了一种基于ML的方法，用于从纳米材料的STEM图像中进行STEM图像分析和光谱数据分析。我们提出了一种用于STEM图像分析（ML-SIA）的名为机器学习的算法，用于分析纳米材料的茎图像。我们提出了另一种用于STEM图像频谱数据分析的机器学习算法，用于分析纳米材料的STEM图像的光谱数据。我们开发了一个原型ML应用程序来实施算法并评估所提出的方法。实验结果表明，基于ML的方法对于表征纳米材料很有用。因此，这项研究有助于通过人工智能触发物质分析领域的进一步工作来实现这一目标。
k多余的影响在（ba
抽象的基于铁的超导体（IBSS）由于其出色的特征，例如超高临界场和最小电磁各向异性，因此对于高场应用而言有希望。创建具有升高的传输临界电流密度的多因素超导电线对于实际使用至关重要。管道（坑）技术中的粉末通常用于此目的，但是实现最佳结果需要仔细探索粉末微观结构特性。这对于（BA，K）122（从应用的角度来看，IBS 122）等超导体特别重要，其中诸如组成元素的反应性，波动性和毒性等因素会影响相位形成。钾的挥发性通常会导致非化力计量条件，从而在配方中引入过量的钾。这项研究的重点是钾过量δ对“最佳掺杂”（Ba 0.6 k 0.4 +δ）Fe 2的微结构性质的影响为2相（0⩽δ⩽0.08）。使用诸如扫描电子显微镜，X射线衍射和温度依赖性磁化测量的技术，我们证明了具有控制晶粒尺寸的超导相的几乎纯粉末的能力。我们的发现与坑线的制造有关，其中晶粒尺寸强烈影响机械变形。晶粒尺寸也会影响传输性能，如先前的研究所观察到的那样，在高磁场下，晶粒尺寸减少了电流的能力。
热输入对焊接微观结构的影响和...
在本研究中，使用4043 MIG填充线（WAAM）制造了300 x 200 x 20 mm 3的矩形平板300 x 200 x 20 mm 3。研究了焊接电流（热输入）对4043 WAAM合金的焊缝微结构和机械性能的影响。通过将焊接电流从140到160 a改变，以使其他焊接参数从140 a变化为恒定值。实验发现表明，所有焊接接头都是无缺陷的，并且焊接的强度降低了焊接电流的增加。在较低的热输入（140a）焊接接头的情况下，达到了120 MPa的最高关节强度（占基本WAAM强度的119％）。显着的强度是由于存在更精致的e术树突微观结构和融合边界尺寸较小的原因。焊接接头的韧性分别为低，中和高热量输入的10、11和12焦耳。焊接接头的韧性显示出焊接电流增加的趋势增加。更多的焊接接头软化导致了更高的延展性和韧性。蚀腐蚀研究的结果表明，由于Al基质中存在更多的Si，总体而言，在所有焊接接头中都实现了更好和类似的腐蚀行为。焊接微结构中的热输入和谷物变高的差异归因于焊接接头腐蚀性的变化。但是，焊接接头的耐腐蚀性在行业标准的可接受极限之内。
使用穆勒显微镜分析组织微观结构
Razvigor Ossikovski, a Hui Ma, b,c,d,* 和 Tatiana Novikova a,* a LPICM、CNRS、巴黎综合理工学院、帕莱索、法国 b 清华大学、物理系、北京、中国 c 清华大学 - 伯克利深圳研究院、精准医疗与健康研究中心、深圳、中国 d 清华大学深圳研究生院、光学成像与传感研究所、深圳市微创医疗技术重点实验室、深圳、中国 e 印度科学教育与研究研究所、物理科学系、加尔各答、印度 f 维尔茨堡大学医院、组织工程与再生医学系 TERM、维尔茨堡、德国 g 弗劳恩霍夫硅酸盐研究所 ISC、再生疗法转化中心 LC-RT、维尔茨堡、德国
金属增材制造的微观结构建模
图 2. 在各种增材制造的金属合金中观察到的柱状晶粒；a) 316L 不锈钢，b) Ti6Al4V 和 c) Inconel 625，“通过电子和激光束熔化制备的镍基高温合金（合金 625）的微观结构和性能比较”由 K. Amato 等人撰写，根据 CC BY 4.0 获得许可（Amato、Hernandez 等人，2012 年）。
使用机器学习的信用评分分类
摘要：在当代世界中，创建新颖的纳米材料进行了许多研究，这些材料对于许多行业至关重要，包括电子芯片和云中的存储设备，很少有人提及。同时，出现了用于解决不同行业（例如制造，物理和化学工程）中问题的机器学习（ML）。ML具有通过监督或无监督的手段学习能力来解决许多现实世界中的问题。从最新的状态中推断出，必须使用ML方法来分析纳米材料的图像，从而进一步确定事实，以朝着微观结构和材料的光谱数据进行表征和分析。朝向这一目标，在本文中，我们提出了一种基于ML的方法，用于从纳米材料的STEM图像中进行STEM图像分析和光谱数据分析。我们提出了一种用于STEM图像分析（ML-SIA）的名为机器学习的算法，用于分析纳米材料的茎图像。我们提出了另一种用于STEM图像频谱数据分析的机器学习算法，用于分析纳米材料的STEM图像的光谱数据。我们开发了一个原型ML应用程序来实施算法并评估所提出的方法。实验结果表明，基于ML的方法对于表征纳米材料很有用。因此，这项研究有助于通过人工智能触发物质分析领域的进一步工作来实现这一目标。
组合扩散 - 递延微结构成像
抽象的微观结构成像试图通过将数学建模与量身定制的MRI协议配对，以非侵入性测量和绘制微观组织特征。本文回顾了一种新兴范式，该范式有可能对组织微观结构进行更详细的评估 - 结合的扩散 - 重音图像学成像。组合扩散 - 重音测定采集在多维习得空间中改变了多个MR对比度编码（例如B值，梯度方向，反转时间和回声时间）。与合适的分析技术配对时，可以实现相关性和多个MR参数之间的耦合（例如扩散率，t 1，t 2和t ∗ 2）。这打开了解散多个组织室（在体素内）的可能性，这些组织隔室与单对比度扫描无法区分，从而使新一代的微观结构图具有改善的生物学敏感性和特异性。
按需透明玻璃微结构的集成 3D 打印
图 4。(A) 透射显微镜拍摄的黑白玻璃天鹅图像（比例尺：25 µ m）。(B) 透射显微镜拍摄的玻璃二元条、棋盘和圆环结构图像（比例尺：100 µ m）。(C) 和 (D) 黑色和黄色环形图案玻璃管和黑白玻璃管（比例尺：100 µ m）。(E) 带有集成黑色光圈的 3/4 双合和单合成像玻璃光学系统（比例尺：100 µ m）。(F) 集成增材制造玻璃物镜，包括管、支架、光阑和光圈（比例尺：100 µ m）。(G) (F) 中集成物镜的 SEM 图像。(H) 无光圈结构的全透明玻璃物镜的成像性能。(I) (F) 中所示的集成玻璃物镜的成像性能。(J) 图像中的红色和蓝色矩形标记用于对比度比较的区域。