MétaCan
Menu
Retour à la cohorte
Enregistrement W2786232010 · doi:10.5614/mesin.2017.26.1.1

Evaluation on the Temperature and Calcination Time During Sol-gel Coating of TiO2 on Iron Foam substrate

2017· article· en· W2786232010 sur OpenAlexaff
Raden Dadan Ramdan, Luqman Haris, Hendra Hermawan, Bambang Sunendar

Notice bibliographique

RevueMESIN · 2017
Typearticle
Langueen
DomaineMaterials Science
ThématiqueCatalytic Processes in Materials Science
Établissements canadiensUniversité Laval
Organismes subventionnairesnon disponible
Mots-clésCalcinationMaterials scienceScanning electron microscopeCoatingSubstrate (aquarium)Particle (ecology)Chemical engineeringCharacterization (materials science)Particle sizeComposite materialMetallurgyNanotechnologyChemistryCatalysis

Résumé

récupéré en direct d'OpenAlex

Iron foam is iron based material which is widely applied due to its unique properties. However since corrosion is also a problem for this material, coating with innert material is required in enhancing its applications. In the present research, TiO2 coating is performed on iron foam suface by sol-gel dipping method. Focus is given on the study of the effect of calcinations temperature and time on the coating characteristics. TiCl4 is used as the precursor with concentration of 0.3 M, added with 1M HCl solution and chitosan soluation with concentration of 1%. Calcination is performed at temperature of 400, 500 dan 600oC and calcinations time of 1 and 3 hours inside controlled gas furnace using nitrogen atmosphere. Scanning Electron Microscopy (SEM) and Energy Dispersive Spectroscopy (EDS) characterization data shows that TiO2 particles form on the iron foam substrate. SEM characterization on the sample heated at 400oC and heating time of 1 hour shows the formation of nano particle titania (0.06 μm) which is homogeneously distributed with less agglomeration than others and considered as the best sample in the present research. As the temperature and time of calcinations increase, more inhomogeneous particle distribution and bigger particles form.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

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 technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,026
Tête enseignante GPT0,294
Écart entre enseignants0,268 · 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 source (Gemma direct ou Codex distillé), 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

Citations2
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMESINMême sujetCatalytic Processes in Materials ScienceTravaux en français237 207