MétaCan
Menu
Retour à la cohorte
Enregistrement W2513174922 · doi:10.5006/2193

Materials Selection for Use in Concentrated Hydrochloric Acid

2016· article· en· W2513174922 sur OpenAlexaff
Ajit Mishra, D.W. Shoesmith, Paul Manning

Notice bibliographique

RevueCORROSION · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueConcrete and Cement Materials Research
Établissements canadiensWestern University
Organismes subventionnairesnon disponible
Mots-clésHydrochloric acidSelection (genetic algorithm)MetallurgyChemistryMaterials scienceComputer scienceArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Hydrochloric acid (HCl) is an important mineral acid with many uses, including the pickling of steel, acid treatment of oil wells, and chemical cleaning and processing. This acid is extremely corrosive and its aggressiveness can change drastically depending on its concentration, the temperature, and contamination by oxidizing impurities. One of the most commonly encountered oxidizing impurities is the ferric ion. In general, stainless steels cannot tolerate aggressive HCl solutions, hence the need to use corrosion resistant nickel-based alloys. A part of this study focused on the role of alloying elements on the corrosion performance of commercial nickel-based alloys UNS N10276, UNS N06022, UNS N06200, UNS N07022, UNS N10362, UNS N10675, UNS N06059, and UNS N06625, in HCl solutions, with and without the presence of oxidizing impurities (ferric ions). Aggressive HCl solutions can also be used to simulate the critical crevice solution. Therefore, another aspect of this research is to investigate the role of alloying elements in nickel-based alloys on the inhibition of crevice corrosion. In the present study, various standard corrosion test methodologies, conservative electrochemical techniques, and a range of surface analytical tools have been utilized.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
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 enseignants0,025
Score d'incertitude au seuil0,082

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0250,019

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 Opus0,025
Tête enseignante GPT0,247
Écart entre enseignants0,223 · 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

Citations28
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCORROSIONMême sujetConcrete and Cement Materials ResearchTravaux en français237 207