Корреляция между составом, микроструктурой и твердостью алюминиевого сплава 7ххх с использованием оригинального метода статистического пространственного картирования

1.

2. Dai X., Xia C., Peng X., Ma K. Структура и свойства сверхвысокопрочного алюминиевого сплава 7ххх, содержащего Sc и Zr. Дж. Унив. науч. Технол. Пекинский шахтер. Металл. Матер. 2018;15:276–279. doi: 10.1016/S1005-8850(08)60052-3. [CrossRef] [Google Scholar]

3. Шриниваса Рао Т., Мадхусудхан Редди Г., Котешвара Рао С.Р. Микроструктура и механические свойства толстых листов из алюминиевого сплава АА7075–Т651, сваренных трением с перемешиванием. Транс. Цветные металлы. соц. Китай. 2015; 25:1770–1778. doi: 10.1016/S1003-6326(15)63782-7. [Перекрестная ссылка] [Академия Google]

4. Идальго-Манрике П., Сепеда-Хименес К., Ороско-Кабальеро А., Руано О., Карреньо Ф. Эволюция микроструктуры, текстуры и ползучести алюминиевого сплава 7075 во время горячей аккумулятивной прокатки. Матер. науч. англ. А. 2014;606:434–442. doi: 10.1016/j.msea.2014.03.105. [CrossRef] [Google Scholar]

5. Энглер О., Крамбах М., Ли С. Моделирование текстуры прокатки алюминиевых сплавов в зависимости от сплава с помощью модели взаимодействия зерен. Acta Mater. 2005;53:2241–2257. doi: 10.1016/j.actamat.2005.01.032. [Перекрестная ссылка] [Академия Google]

6. Ше X.-W., Цзян X.-Q., Ван П.-Q., Тан Б.-B., Чен К., Лю Ю.-J., Цао W.-N. Взаимосвязь между микроструктурой и механическими свойствами толстого листа из алюминиевого сплава 5083. Транс. Цветные металлы. соц. Китай. 2020; 30: 1780–1789. doi: 10.1016/S1003-6326(20)65338-9. [CrossRef] [Google Scholar]

7. Ао М., Донг С., Ли Н., Ван Л., Цзи Ю., Юэ Л., Сун С., Цзоу С., Сяо К., Ли С. Неожиданное улучшение коррозионного растрескивания под напряжением, достигнутое за счет рекристаллизованного слоя в сплаве Al-Zn-Mg. Дж. Матер. англ. Выполнять. 2021; 30: 6258–6268. doi: 10.1007/s11665-021-05856-4. [Перекрестная ссылка] [Академия Google]

8. Ji Y., Dong C., Chen L., Xiao K., Li X. Высокопроизводительные вычисления для скрининга потенциальных легирующих элементов алюминиевого сплава 7xxx для повышения стойкости сплава к коррозионному растрескиванию под напряжением. Коррос. науч. 2021;183:109304–109314. doi: 10.1016/j.corsci.2021.109304. [CrossRef] [Google Scholar]

9. Liu P., Hu L., Zhao X., Zhang Q., Yu Z., Hu J., Chen Y., Wu F., Cao F. Исследование микроструктуры и коррозионное поведение атмосферостойкой стали в водном растворе, содержащем различные анионы, для имитации условий эксплуатации. Коррос. науч. 2020;170:108686–108700. doi: 10.1016/j.corsci.2020.108686. [Перекрестная ссылка] [Академия Google]

10. Deschamps A., Ringeval S., Texier G., Delfaut-Durut L. Количественная характеристика микроструктуры сплава Al–Zn–Mg средней прочности, сваренного электронным лучом. Матер. науч. англ. А. 2009; 517: 361–368. doi: 10.1016/j.msea.2009.03.088. [CrossRef] [Google Scholar]

11. Luo R., Cao Y., Bian H., Chen L., Peng C.-T., Cao F., Ouyang L., Qiu Y., Xu Y., Чиба А. и др. Способность к горячей обработке и динамическая рекристаллизация алюминиевого сплава 7055, полученного напылением. Матер. Характер. 2021;178:11203–11215. doi: 10.1016/j.matchar.2021.111203. [Перекрестная ссылка] [Академия Google]

12. Хо М.С., Чжао Дж.В., Се Х.Б., Цзя Ф., Ли С., Чжан Х., Цзян З. Влияние микрогибкой прокатки и отжига на микроструктуру, микротвердость и текстуру алюминиевого сплава. Матер. Характер. 2019;148:142–155. doi: 10.1016/j.matchar.2018.12.007. [CrossRef] [Google Scholar]

13. Хань Б., Сунь Д.Д., Ван У.Х., Ван Х., Донг С.С., Чжао Л., Ван Х.З. Сегрегация элементов литейно-катаного алюминиевого сплава 7В05 на основе микролучевой рентгенофлуоресценции. Спектроск. Спектр. Анальный. 2022;42:1413–1419. [Google Scholar]

14. Li D.-L., Liu Z.-X., Zhao L. , Shen X.-J., Wang H.-Z. Характеристика элементного распределения композиционных порошков суперсплавов с помощью микролучевой рентгеновской флуоресценции и лазерно-индуцированной спектроскопии пробоя. Спектрохим. Acta Part B At. Спектроск. 2020;169:105896–105910. doi: 10.1016/j.sab.2020.105896. [CrossRef] [Google Scholar]

15. Wang H., Jia Y., Li Y., Zhao L., Yang C., Cheng D. Экспресс-анализ содержания и размера частиц алюминиевых включений в низко- и среднелегированной стали. методом лазерно-индуцированной спектроскопии пробоя. Спектрохим. Acta Part B At. Спектроск. 2020;171:105927–105934. doi: 10.1016/j.sab.2020.105927. [CrossRef] [Google Scholar]

16. Азими С.М., Бритц Д., Энгстлер М., Фриц М., Мюклих Ф. Расширенная классификация микроструктур стали с помощью методов глубокого обучения. науч. Отчет 2018; 8: 2128–2142. doi: 10.1038/s41598-018-20037-5. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]

17. Чоудхури А., Каутц Э., Йенер Б., Льюис Д. Методы машинного обучения на основе изображений для распознавания микроструктур. вычисл. Матер. науч. 2016; 123:176–187. doi: 10.1016/j.commatsci.2016.05.034. [Перекрестная ссылка] [Академия Google]

18. Станевич Л., Мидгли П.А. Машинное обучение как инструмент классификации электронно-томографических реконструкций. Доп. Структура хим. Визуализация. 2015;1:9. doi: 10.1186/s40679-015-0010-x. [CrossRef] [Google Scholar]

19. Булгаревич Д.С., Цукамото С., Касуя Т., Демура М., Ватанабэ М. Распознавание образов с помощью машинного обучения на изображениях оптической микроскопии типичных металлургических микроструктур. науч. Отчет 2018; 8: 2078–2086. doi: 10.1038/s41598-018-20438-6. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]

20. Chen X., Zhao L., Jiang L., Wang H. Микроструктура и свойства композитов Cu-rGO, полученных спеканием в микроволновой печи. Материалы. 2021;14:4899. doi: 10.3390/ma14174899. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]

21. Chen X.B., Zhao L., Li DL, Jiang L., Wang H. Характеристика микроволнового плавления порошка стали h23 с различным содержанием вольфрама. Матер. лат. 2021;294:129803–129808. doi: 10.1016/j.matlet.2021.129803. [CrossRef] [Академия Google]

22. Шнайдер К.А., Расбанд В.С., Элисейри К.В. NIH Image to ImageJ: 25 лет анализа изображений. Нац. Методы. 2012; 9: 671–675. doi: 10.1038/nmeth.2089. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]

23. Гарсия-Гарсия А.Л., Домингес-Лопес И., Лопес-Хименес Л., Барсейнас-Санчес Х.О. Сравнительная количественная оценка и статистический анализ преципитатов η′ и η в алюминиевом сплаве AA7075-T651 методами ПЭМ и АСМ. Матер. Характер. 2014; 87: 116–124. doi: 10.1016/j.matchar.2013.11.007. [Перекрестная ссылка] [Академия Google]

24. Альбукерке В.Х.К., Сильва С., Менезес Т.И.Д.С., Фариас Дж.П., Таварес Дж.М.Р.С. Автоматическая оценка вторичных фаз никелевого сплава по изображениям СЭМ. микроск. Рез. Тех. 2011;74:36–46. doi: 10.1002/jemt.20870. [PubMed] [CrossRef] [Google Scholar]

25. Wan W.H., Li D.L., Wang H.Z., Zhao L., Shen X., Sun D., Chen J., Xiao B. Автоматическая идентификация и количественная характеристика первичного дендрита микроструктура на основе машинного обучения. Кристаллы. 2021;11:1060. дои: 10.3390/кристалл11091060. [CrossRef] [Google Scholar]

26. Li W., Li W., Qin Z., Tan L., Huang L., Liu F., Xiao C. Обучение глубокому переносу для распознавания микроструктуры суперсплавов на основе никеля на ϒ «Фазы. Материалы. 2022;15:4251. doi: 10.3390/ma15124251. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]

27. Wan WH, Li DL, Zhou QQ, Zang Q., Xue X., Shi H., Wang H. Количественная характеристика фаз ϒ′ распределение в крупномасштабной области монокристаллического лезвия DD5 на основе Никона второго поколения. Кристаллы. 2021;11:1399. doi: 10.3390/cryst11111399. [CrossRef] [Google Scholar]

28. Xie F., Yan X., Ding L., Zhang F., Chen S., Chu M.G., Chang Y. Исследование микроструктуры и микросегрегации алюминиевого сплава 7050. Матер. науч. англ. А. 2003; 355: 144–153. doi: 10.1016/S0921-5093(03)00056-X. [CrossRef] [Google Scholar]

29. Эскин Д.Г., Наделла Р., Катгерман Л. Влияние различной структуры зерна на макросегрегацию по центральной линии во время литья с прямым охлаждением. Acta Mater. 2008; 56: 1358–1365. doi: 10.1016/j.actamat.2007.11.021. [Перекрестная ссылка] [Академия Google]

30. Guo F., Wang X., Liu W., Shang C., Misra R.D.K., Wang H., Zhao T., Peng C. Влияние осевой сегрегации на механические характеристики и микроструктуру трубопроводной стали X70. Сталь рез. Междунар. 2018;89:1800407. doi: 10.1002/srin.201800407. [CrossRef] [Google Scholar]

31. Lee S., Bi X., Reed R.B., Ranville J.F., Herckes P., Westerhoff P. Пределы обнаружения размера наночастиц с помощью ICP-MS для отдельных частиц для 40 элементов. Окружающая среда. науч. Технол. 2014;48:10291–10300. doi: 10.1021/es502422v. [PubMed] [CrossRef] [Академия Google]

32. Стратис Д.Н., Эланд К.Л., Ангел С.М. Повышение содержания алюминия, титана и железа в стекле с использованием двухимпульсного LIBS с искрой перед абляцией. заявл. Спектроск. 2000; 54: 1719–1726. doi: 10.1366/0003702001948871. [CrossRef] [Google Scholar]

33. Solé V., Papillon E., Cotte M., Walter P., Susini J. Многоплатформенный код для анализа энергодисперсионных спектров рентгеновской флуоресценции. Спектрохим. Acta Part B At. Спектроск. 2007; 62: 63–68. doi: 10.1016/j.sab.2006.12.002. [Перекрестная ссылка] [Академия Google]

34. Поттс П.Дж., Уэбб П.К. Рентгенофлуоресцентная спектрометрия. Дж. Геохим. Исследуйте. 2012; 44: 251–296. doi: 10.1016/0375-6742(92)

35. Паунеску Т., Фогт С., Мазер Дж., Лай Б., Волощак Г. Рентгенофлуоресцентная микрозондовая визуализация в биологии и медицине. Дж. Селл. Биохим. 2006; 99: 1489–1502. doi: 10.1002/jcb.21047. [PubMed] [CrossRef] [Google Scholar]

36. Bahn C.B., Kasza K.E., Shack W.J., Natesan K., Klein P. Оценка осадков, используемых при тестировании потери напора на фильтре: Часть II. Выпадает в результате коррозии алюминиевого сплава на месте. Нукл. англ. Дес. 2011;241:1926–1936. doi: 10.1016/j.nucengdes.2011.01.004. [CrossRef] [Google Scholar]

37. Li L.L., Desouza A.L., Swain G.M. Измерение pH in situ при формировании конверсионных покрытий на алюминиевом сплаве (AA2024) Analyst. 2013; 138:4398–4403. doi: 10.1039/c3an00663h. [PubMed] [CrossRef] [Google Scholar]

38. Чжао Л., Цзян Л., Ян Л., Ван Х., Чжан В., Цзи Г., Чжоу С., Кертин В., Чен С., Ляу П. и др. Высокопроизводительный синтез позволил исследовать высокоэнтропийные сплавы на основе CoCrFeNi. Дж. Матер. науч. Технол. 2021;15:269–282. doi: 10.1016/j.jmst.2021.09.031. [CrossRef] [Google Scholar]

39. Cao Y., Zhu P., Shi W., Hua G., Wang H., Qiu M. Корреляция между рентгенограммой и микроструктурой поверхности высокопрочного E690. стали, индуцированной лазерно-ударной обработкой. Вакуум. 2021;195:110595. doi: 10.1016/j.vacuum.2021.110595. [CrossRef] [Google Scholar]

40. Zhang Q., Cui Z., Niu X., Geng S., Qiao Y. Сегментация изображения с помощью расширенной пирамидальной свертки на основе ResNet и U-Net; Материалы 24-й Международной конференции ICONIP 2017; Гуанчжоу, Китай. 14–18 ноября 2017 г.; стр. 364–372. [Перекрестная ссылка] [Академия Google]

41. Девалла С.К., Ренукананд П.К., Сридхар Б.К., Субраманиан Г., Чжан Л., Перера С., Мари Дж.М., Чин К.С., Тун Т.А., Страутидис Н.Г. и др. DRUNET: расширенная остаточная сеть глубокого обучения U-Net для сегментации тканей диска зрительного нерва на изображениях оптической когерентной томографии. Биомед. Опц. Выражать. 2018;9:3244–3265. doi: 10.1364/BOE.9.003244. [Бесплатная статья PMC] [PubMed] [CrossRef] [Google Scholar]

42. Zhang Z.X., Liu Q.J. Извлечение дорог с помощью Deep Residual U-Net. IEEE GeoSci. Письмо о дистанционных датчиках. 2018;15:749–753. doi: 10.1109/LGRS.2018.2802944. [CrossRef] [Google Scholar]

43. Норман Б., Педоя В., Маджумдар С. Использование двумерных сверточных нейронных сетей U-Net для автоматизированной сегментации хряща и мениска данных МРТ коленного сустава для определения релаксометрии и морфометрии. Радиология. 2018; 288:177–185. doi: 10.1148/radiol.2018172322.