MétaCan
Menu
Retour à la cohorte
Enregistrement W3113227050 · doi:10.3390/coatings10121213

Peroxide Post-Treatment of Wood Impregnated with Micronized Basic Copper Carbonate

2020· article· en· W3113227050 sur OpenAlexafffund
Rod Stirling, Gabrielle Boivin, Adnan Uzunovic, Stacey Kus, J. N. R. Ruddick

Notice bibliographique

RevueCoatings · 2020
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueCultural Heritage Materials Analysis
Établissements canadiensFPInnovations
Organismes subventionnairesNatural Resources Canada
Mots-clésCopperPeroxideChemistryLeaching (pedology)Nuclear chemistryPreservativeMaterials scienceOrganic chemistrySoil waterEnvironmental science

Résumé

récupéré en direct d'OpenAlex

Wood is vulnerable to significant color changes when used in exterior applications. Some copper-based wood preservatives use colorants to minimize this color change. This paper examines the ability of a peroxide post-treatment to turn wood impregnated with micronized basic copper carbonate (CuCO3·Cu(OH)2) (MBCC) a stable brown color. MBCC-treated wood, with and without peroxide post-treatment, along with associated controls were evaluated for color change, erosion and black-stain fungal resistance after exposure to artificial photo-degradation. The impact of the peroxide treatment on copper leaching was assessed in a laboratory experiment, and the impact on copper reactivity was assessed by electron parametric resonance (EPR) spectroscopy. Peroxide post-treatment of wood pressure impregnated with MBCC was shown to reduce color change by more than 50% compared to controls. Erosion due to photo-degradation and colonization by black-stain fungi were lower in samples treated with MBCC than in untreated controls and were relatively unaffected by peroxide post-treatment. The peroxide post-treatment was associated with increased amounts of mobile copper. This led to increased susceptibility to leaching and to a more than 60% increase in the amount of copper than had reacted with the wood.

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 candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,156
Score d'incertitude au seuil0,999

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)0,0020,000

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 Opus0,028
Tête enseignante GPT0,204
Écart entre enseignants0,176 · 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.

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
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCoatingsMême sujetCultural Heritage Materials AnalysisTravaux en français237 207