MétaCan
Menu
Retour à la cohorte
Enregistrement W2092527597 · doi:10.2495/mc110081

Improving corrosion performance by surface patterning

2011· article· en· W2092527597 sur OpenAlexaff
Mahdi Bigdeli, Vesselin Stoilov, D. O. Northwood

Notice bibliographique

RevueWIT transactions on engineering sciences · 2011
Typearticle
Langueen
DomaineMaterials Science
ThématiqueSurface Modification and Superhydrophobicity
Établissements canadiensUniversity of Windsor
Organismes subventionnairesnon disponible
Mots-clésCorrosionMaterials scienceScanning electron microscopeSurface roughnessSurface finishPolarization (electrochemistry)WettingMetallurgyElectrolyteComposite materialChemistry

Résumé

récupéré en direct d'OpenAlex

Based on the idea that hydrophobic (low or non-wettable) surfaces can decrease the contact area between a corrosive solution and a surface, thereby potentially rendering the material more corrosion resistant, the effect of surface patterning on the corrosion behaviour of nickel was investigated.The surface patterning consisted of an array of holes of various diameters (D) and inter-hole spacings (L) that were produced by a laser ablation process.The corrosion behaviour of the patterned surfaces was studied using a potentiodynamic polarization method in a 0.5M H 2 SO 4 electrolyte and compared with that of a polished reference sample.Following the potentiodynamic polarization corrosion test cycle, the corroded surfaces were examined using scanning electron microscopy (SEM) for morphological features and white light interferometry (WLI) to determine the surface roughness.The changes in surface morphology were related to the corrosion behaviour.A relationship was found between D, L, and the corrosion current density (I corr ), whereby the higher the (D/L ) 2 ratio, the higher the I corr value.The corrosion potential (E corr ) of all surface patterned samples was lower (less noble) than that of the reference sample in all tests.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
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)0,0010,001

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 Opus0,023
Tête enseignante GPT0,197
Écart entre enseignants0,174 · 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 source (Gemma direct ou Codex distillé), 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

Citations4
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWIT transactions on engineering sciencesMême sujetSurface Modification and SuperhydrophobicityTravaux en français237 207