Time‐of‐flight secondary ion mass spectrometry analysis of paint craters
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
Localized sudden changes in the surface energy of a surface to be painted are commonly held responsible for causing paint craters. However, it is not necessarily an easy task to identify the material(s) that produced the defects. Automotive paint cratering, when it happens, often requires immediate identification of its causes because the product line may have to be shut down until the problem is solved. For the past 18 years, Surface Science Western has applied time‐of‐flight secondary ion mass spectrometry (ToF‐SIMS), among other techniques, to help its clients in the automotive industry identify the chemicals responsible for producing paint craters. In this article, we demonstrate that ToF‐SIMS is a unique and powerful technique in identifying the chemicals such as siloxane, fluorocarbons and fatty acids that are responsible for causing paint craters. We further show that the chemicals can be foreign contaminants, as well as segregation of additives in the paint systems, and even from contaminated solvents used in the paint. When the chemicals causing the paint craters can be identified by ToF‐SIMS analysis, the automotive company can often track down the primary source and remove the root cause. As such, surface analysis and in particular ToF‐SIMS is invaluable in understanding paint cratering for both the surface analysis research community and paint manufacturers and users. Copyright © 2017 John Wiley & Sons, Ltd.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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