MétaCan
Menu
Retour à la cohorte
Enregistrement W2806559185 · doi:10.1115/1.4040469

Fabrication and Wettability Analysis of Hydrophobic Stainless Steel Surfaces With Microscale Structures From Nanosecond Laser Machining

2018· article· en· W2806559185 sur OpenAlexafffund
Cong Cui, Xili Duan, Brandon Collier, Kristin M. Poduska

Notice bibliographique

RevueJournal of Micro and Nano-Manufacturing · 2018
Typearticle
Langueen
DomaineMaterials Science
ThématiqueSurface Modification and Superhydrophobicity
Établissements canadiensMemorial University of Newfoundland
Organismes subventionnairesResearch and Development Corporation of Newfoundland and Labrador
Mots-clésMicroscale chemistryMaterials scienceWettingContact angleFabricationMachiningNanosecondLaserComposite materialHysteresisNanotechnologyOpticsMetallurgy

Résumé

récupéré en direct d'OpenAlex

In this work, nanosecond laser machining is used to fabricate hydrophobic 17-4 PH stainless steel surfaces with microscale and submicron structures. Four surface structures were designed, with microscale channels and pillars (100 μm pitch size) of uniform heights (100 μm) or alternating heights (between 100 μm and 50 μm). During fabrication, the high-power laser beams also created submicron features on top of the microscale ones, leading to hierarchical, multiscale surface structures. Detailed wettability analysis was conducted on the fabricated samples. Measured static contact angles of water on these surfaces are over 130 deg without any coating, compared to ∼70 deg on the original steel surface before laser machining. Slightly lower contact angle hysteresis was also observed on the laser machined surfaces. Overall, these results agree with a simple Cassie–Baxter model for wetting that assumes only fractional surface area contact between the droplet and the surface. This work demonstrates that steel surfaces machined with relatively inexpensive nanosecond laser can achieve excellent hydrophobicity even with simple microstructural designs.

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)0,001
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 enseignants0,178
Score d'incertitude au seuil0,546

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
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)0,0000,000

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 Opus0,010
Tête enseignante GPT0,233
Écart entre enseignants0,222 · 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

Citations21
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Micro and Nano-ManufacturingMême sujetSurface Modification and SuperhydrophobicityTravaux en français237 207