MétaCan
Menu
Retour à la cohorte
Enregistrement W4205253014 · doi:10.1155/2022/6681008

In Situ Monitoring of Corrosion under Insulation Using Electrochemical and Mass Loss Measurements

2022· article· en· W4205253014 sur OpenAlexaff
Mingzhang Yang, Jing Liu

Notice bibliographique

RevueInternational Journal of Corrosion · 2022
Typearticle
Langueen
DomaineMaterials Science
ThématiqueCorrosion Behavior and Inhibition
Établissements canadiensUniversity of Alberta
Organismes subventionnairesUniversité de Technologie de Troyes
Mots-clésCorrosionMaterials scienceDielectric spectroscopyPolarization (electrochemistry)Carbon steelElectrochemistryMetallurgyTemperature cyclingElectrodePitting corrosionCorrosion monitoringComposite materialThermalChemistry

Résumé

récupéré en direct d'OpenAlex

Corrosion under insulation (CUI) refers to the external corrosion of piping and vessels when they are encapsulated in thermal insulation. To date, very limited information (especially electrochemical data) is available for these “difficult-to-test” CUI conditions. This study was aimed at developing a novel electrochemical sensing method for in situ CUI monitoring and analysis. Pt-coated Ti wires were used to assemble a three-electrode electrochemical cell over a pipe surface covered by thermal insulation. The CUI behavior of X70 carbon steel (CS) and 304 stainless steel (SS) under various operating conditions was investigated using mass loss, linear polarization resistance (LPR), and electrochemical impedance spectroscopy (EIS) measurements. It was found that both the consecutive wet and dry cycles and cyclic temperatures accelerated the progression of CUI. LPR and EIS measurements revealed that the accelerated CUI by thermal cycling was due to the reduced polarization resistance and deteriorated corrosion film. Enhanced pitting corrosion was observed on all tested samples after thermal cycling conditions, especially for CS samples. The proposed electrochemical technique demonstrated the ability to obtain comparable corrosion rates to conventional mass loss data. In addition to its potential for in situ CUI monitoring, this design could be further applied to rank alloys, coatings, and inhibitors under more complex exposure conditions.

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 enseignants0,032
Score d'incertitude au seuil0,373

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 Opus0,045
Tête enseignante GPT0,318
Écart entre enseignants0,272 · 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

Citations13
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of CorrosionMême sujetCorrosion Behavior and InhibitionTravaux en français237 207