Carbon adsorption on and diffusion through the Fe(110) surface and in bulk: Developing a new strategy for the use of empirical potentials in complex material set‐ups
Notice bibliographique
Résumé
Oil and gas infrastructures are submitted to extreme conditions and off‐shore rigs and petrochemical installations require expensive high‐quality materials to limit damaging failures. Yet, due to a lack of microscopic understanding, most of these materials are developed and selected based on empirical evidence leading to over‐qualified infrastructures. Computational efforts are necessary, therefore, to identify the link between atomistic and macroscopic scales and support the development of better targeted materials for this and other energy industry. As a first step towards understanding carburization and metal dusting, we assess the capabilities of an embedded atom method (EAM) empirical force field as well as those of a ReaxFF force field using two different parameter sets to describe carbon diffusion at the surface of Fe, comparing the adsorption and diffusion of carbon into the 110 surface and in bulk of α‐iron with equivalent results produced by density functional theory (DFT). The EAM potential has been previously used successfully for bulk Fe–C systems. Our study indicates that preference for C adsorption site, the surface to subsurface diffusion of C atoms and their migration paths over the 110 surface are in good agreement with DFT. The ReaxFF potential is more suited for simulating the hydrocarbon reaction at the surface while the subsequent diffusion to subsurface and bulk is better captured with the EAM potential. This result opens the door to a new approach for using empirical potentials in the study of complex material set‐ups.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».