MétaCan
Menu
Retour à la cohorte
Enregistrement W2049871403 · doi:10.1002/cjce.21793

Improved pre‐treatment of porous stainless steel substrate for preparation of Pd‐based composite membrane

2013· article· en· W2049871403 sur OpenAlexafffundvenue
Nong Xu, Shin‐Kun Ryi, Anwu Li, John R. Grace, Jim Lim, Tony Boyd

Notice bibliographique

RevueThe Canadian Journal of Chemical Engineering · 2013
Typearticle
Langueen
DomaineChemistry
ThématiqueNanomaterials for catalytic reactions
Établissements canadiensNORAM (Canada)University of British Columbia
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésMaterials scienceCoatingLayer (electronics)CalcinationPorosityComposite materialMembranePermeationComposite numberSurface roughnessSubstrate (aquarium)Surface finishChemical engineeringCatalysisChemistry

Résumé

récupéré en direct d'OpenAlex

Abstract The integrity and robustness of Pd‐based composite membranes depend heavily on the quality of the metallic substrate. This paper presents an improved method for pre‐treating the substrate. Detailed pre‐treatment steps of these porous stainless steel substrates included washing, polishing, etching, coating the first alumina layer, calcining the first alumina layer, coating the second alumina layer, calcining the second alumina layer and repair. The repair cycle was the most helpful step, greatly improving the membrane reproducibility and stability. Repeat coating with dilute suspensions of alumina particles of 0.3 µm mean diameter can repair defects on the top alumina layer. The hydrogen permeation flux was 268 × 10 −4 N m 3 /(m 2 h Pa) after one repair cycle, decreasing by 14% after an additional repair cycle. The hydrogen permeation flux of the pre‐treated porous stainless steel substrate was thus maintained at a level comparable with previous work. Surface topography revealed that the average roughness was reduced from 1.15 to 0.47 µm, and the surface Maximum Peak to Valley decreased from 17.5 to 6.0 µm/mm 2 as a result of the pre‐treatment.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,387

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,009
Tête enseignante GPT0,217
Écart entre enseignants0,208 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2013
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueThe Canadian Journal of Chemical EngineeringMême sujetNanomaterials for catalytic reactionsTravaux en français237 207