MétaCan
Menu
Retour à la cohorte
Enregistrement W2898571599 · doi:10.3390/ma11112086

Cold Bonding Method for Metallic Powder Coatings

2018· article· en· W2898571599 sur OpenAlexaff
Wei Liu, Jing Fu, Haiping Zhang, Yuanyuan Shao, Jesse Zhu

Notice bibliographique

RevueMaterials · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueAdditive Manufacturing and 3D Printing Technologies
Établissements canadiensWestern University
Organismes subventionnairesnon disponible
Mots-clésMaterials scienceCoatingPowder coatingPolyvinyl alcoholCuring (chemistry)Composite materialMetalMetal powderPolyacrylic acidMetallic bondingGas dynamic cold sprayPolymerMetallurgy

Résumé

récupéré en direct d'OpenAlex

An efficient and simple method for preparing bonded metallic powder coating is in high demand in the paint manufacturing and application industries. The bonding purpose is to keep the mass percentage of metallic pigment consistent between the original and recycled coating powder, which aims at solving the problem of recyclability. One possible method capable of realizing this goal is using the binder to cohere metallic pigment with base particles through a cold bonding method. Through this approach, the pre-curing and high-reject-rate problems generally present in thermal bonding can be completely eliminated. In this paper, polyacrylic acid (PAA) and polyvinyl alcohol (PVA) are applied as binders for the bonding process. At various dosages of liquid binder and D.I. water, bonded samples with different bonding effect were prepared. Finally, a good bonding quality with the lowest variance between the mass concentrations of Al flakes in the original powder (before spray) and deposited powder (after spray) 2.94% with PAA as a binder and 0.46% with PVA as a binder was achieved. These results manifest that the cold bonding method is a green and simple approach for preparing the metallic powder coating.

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 enseignants0,097
Score d'incertitude au seuil0,478

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 technologies0,0000,000
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 Opus0,024
Tête enseignante GPT0,274
Écart entre enseignants0,250 · 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

Citations8
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMaterialsMême sujetAdditive Manufacturing and 3D Printing TechnologiesTravaux en français237 207