MétaCan
Menu
Retour à la cohorte
Enregistrement W2995057276 · doi:10.1002/maco.201911384

Characterization of the corrosion performances of as‐cast Mg–Al and Mg–Zn magnesium alloys with microarc oxidation coatings

2019· article· en· W2995057276 sur OpenAlexafffund
Yuna Xue, Xin Pang, Bailing Jiang, Hamid Jahed, Di Wang

Notice bibliographique

RevueMaterials and Corrosion · 2019
Typearticle
Langueen
DomaineMaterials Science
ThématiqueMagnesium Alloys: Properties and Applications
Établissements canadiensNatural Resources CanadaUniversity of Waterloo
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésCorrosionMaterials scienceMetallurgyMicrostructureCoatingAlloyMagnesiumMagnesium alloySalt spray testElectrolytePlasma electrolytic oxidationElectrochemistryComposite materialElectrodeChemistry

Résumé

récupéré en direct d'OpenAlex

Abstract In the present study, corrosion‐protective microarc oxidation (MAO) coatings were prepared on AZ31B, AZ80, and ZK60 cast magnesium alloy substrates in an alkaline silicate electrolyte. The corrosion performances of the uncoated and MAO‐coated alloys were investigated using electrochemical and salt spray chamber corrosion tests. The microstructure characterization and experimental results show that among the three alloys studied, the ZK60 Mg alloy exhibited the best and AZ31B the least corrosion resistance under the salt spray conditions. The MAO coating provided robust corrosion protection of the Mg substrates and resulted in a significant decrease in the corrosion rate of the alloys by 3–4 orders of magnitude. The MAO coating on ZK60 alloy showed better corrosion protectiveness than that on the AZ series alloys due to the incorporation of different alloying elements in the coating, especially the Zn and Al elements, which are from the Mg substrate. The corrosion performances and mechanisms of the uncoated and MAO‐coated Mg alloys are interpreted in terms of the microstructure and phase/chemical compositions of both the substrates and coatings.

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 enseignants0,002
Score d'incertitude au seuil0,004

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)0,0000,000

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 Opus0,005
Tête enseignante GPT0,188
Écart entre enseignants0,182 · 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

Citations22
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMaterials and CorrosionMême sujetMagnesium Alloys: Properties and ApplicationsTravaux en français237 207