Influence of Substrate Heating and Nitrogen Flow on the Composition, Morphological and Mechanical Properties of SiNx Coatings Aimed for Joint Replacements
Notice bibliographique
Résumé
Silicon nitride (SiNx) coatings are promising for joint replacement applications due to their high wear resistance and biocompatibility. For such coatings, a higher nitrogen content, obtained through an increased nitrogen gas supply, has been found to be beneficial in terms of a decreased dissolution rate of the coatings. The substrate temperature has also been found to affect the composition as well as the microstructure of similar coatings. The aim of this study was to investigate the effect of the substrate temperature and nitrogen flow on the coating composition, microstructure and mechanical properties. SiNx coatings were deposited onto CoCrMo discs using reactive high power impulse magnetron sputtering. During deposition, the substrate temperatures were set to 200 °C, 350 °C or 430 °C, with nitrogen-to-argon flow ratios of 0.06, 0.17 or 0.30. Scanning and transmission electron spectroscopy revealed that the coatings were homogenous and amorphous. The coatings displayed a nitrogen content of 23–48 at.% (X-ray photoelectron spectroscopy). The surface roughness was similar to uncoated CoCrMo (p = 0.25) (vertical scanning interferometry). The hardness and Young’s modulus, as determined from nanoindentation, scaled with the nitrogen content of the coatings, with the hardness ranging from 12 ± 1 GPa to 26 ± 2 GPa and the Young’s moduli ranging from 173 ± 8 GPa to 293 ± 18 GPa, when the nitrogen content increased from 23% to 48%. The low surface roughness and high nano-hardness are promising for applications exposed to wear, such as joint implants.
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 ».