MétaCan
Menu
Retour à la cohorte
Enregistrement W2619250075 · doi:10.20319/mijst.2015.12.5772

CORROSION PROTECTION OF STAINLESS STEEL TYPE 304 USING GRAPHENE COMPOSITES

2017· article· en· W2619250075 sur OpenAlexaff
Hesham Alhumade, Hiba Nauman, Erij Elkamel, Aiping Yu, Ali Elkamel

Notice bibliographique

RevueMATTER International Journal of Science and Technology · 2017
Typearticle
Langueen
DomaineMaterials Science
ThématiqueCorrosion Behavior and Inhibition
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésMaterials scienceGrapheneDielectric spectroscopyComposite materialCorrosionPolyetherimideScanning electron microscopeCuring (chemistry)ElectrochemistryComposite numberElectrodeNanotechnologyPolymer

Résumé

récupéré en direct d'OpenAlex

Polyetherimide-Graphene (PEI/G) composites were prepared using in situ polymerization approach and thermally cured under vacuum on Stainless Steel 304 (SS304) substrates in order to be evaluated as corrosion protection coatings. Several steps curing were performed to ensure complete imidization of PEI/G composites. Dispersion of the graphene fillers in the PEI matrices was captured using Scanning electron microscopy (SEM) and Transmission electron microscopy (TEM). The study examines PEI/G composites as corrosion protection coatings using electrochemical techniques such as Cyclic Voltammetry (CV) and Electrochemical Impedance Spectroscopy (EIS). Furthermore, the influences of the load of graphene on the electrochemical behavior as well as the interface adhesion of the PEI/G composites are illustrated. Adhesion tests were conducted and evaluated according to ASTM D3359 standard and the long term performances of the prepared PEI/G coatings were confirmed by conducting the adhesion tests after 30 days of exposure to the corrosive medium. The study revealed that PEI may slow down the corrosion process on SS304 substrates and this protection property of PEI can be excelled by the incorporation of graphene in the PEI matrix.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,008
Score d'incertitude au seuil0,445

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,029
Tête enseignante GPT0,307
Écart entre enseignants0,278 · 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 tête enseignante, 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

Citations1
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMATTER International Journal of Science and TechnologyMême sujetCorrosion Behavior and InhibitionTravaux en français237 207