Effect of Coating Thickness on Wear Behaviour of Monolithic Ni-P and Ni-P-NiTi Composite Coatings
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Protective coatings can prolong the lifespan of engineering components. Electroless Ni-P coating is a very hard coating with high corrosion resistance, but low toughness. The addition of NiTi nanoparticles into the coating has shown the potential to increase the toughness of electroless Ni-P and could expand its usability as a protective coating for more applications. However, the study of the tribological behaviour and wear mechanisms of Ni-P-NiTi composite coating has been minimal. Furthermore, there is no studies on the effect of coating thickness on monolithic and composite electroless Ni-P coating wear behaviour. The wear rates of each coating were found by measuring the volume loss form multi-pass wear tests. The wear tracks were examine using a confocal microscope to observe the wear mechanisms. Each sample was tested using a spherical indenter and sharp indenter. It was found that the NiTi nanoparticle addition displayed toughening mechanisms and did improve the coating’s wear resistance. The 9 μm thick Ni-P-NiTi coating had less cracking and more uniform wear than the 9 μm thick Ni-P coating. For both the monolithic and composite coatings, their thicker version had higher wear resistance than their thinner counterpart. This was explained by the often observed trend in coatings where it has higher tensile stress near the substrate interface, which decreases and becomes compressive as thickness increases. Overall, the 9 μm thick Ni-P-NiTi coating had the highest wear resistance out of all the coatings tested.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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