Surface Texturing-Plasma Nitriding Duplex Treatment for Improving Tribological Performance of AISI 316 Stainless Steel
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Surface texturing-plasma nitriding duplex treatment was conducted on AISI 316 stainless steel to improve its tribological performance. Tribological behaviors of ground 316 substrates, plasma-nitrided 316 (PN-316), surface-textured 316 (ST-316), and duplex-treated 316 (DT-316) in air and under grease lubrication were investigated using a pin-on-disc rotary tribometer against counterparts of high carbon chromium bearing steel GCr15 and silicon nitride Si₃N₄ balls. The variations in friction coefficient, mass loss, and worn trace morphology of the tested samples were systemically investigated and analyzed. The results showed that a textured surface was formed on 316 after electrochemical processing in a 15 wt % NaCl solution. Grooves and dimples were found on the textured surface. As plasma nitriding was conducted on a 316 substrate and ST-316, continuous and uniform nitriding layers were successfully fabricated on the surfaces of the 316 substrate and ST-316. Both of the obtained nitriding layers presented thickness values of more than 30 μm. The nitriding layers were composed of iron nitrides and chromium nitride. The 316 substrate and ST-316 received improved surface hardness after plasma nitriding. When the tribological tests were carried out under dry sliding and grease lubrication conditions, the tested samples showed different tribological behaviors. As expected, the DT-316 samples revealed the most promising tribological properties, reflected by the lowest mass loss and worn morphologies. The DT-316 received the slightest damage, and its excellent tribological performance was attributed to the following aspects: firstly, the nitriding layer had high surface hardness; secondly, the surface texture was able to capture wear debris, store up grease, and then provide continuous lubrication.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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