Use of Multielectrode Arrays and Statistical Analysis to Investigate the Pitting Probability of Copper: Part II. The Effect of Sulfate and Bicarbonate
Notice bibliographique
Résumé
Copper and copper alloys have found applications in various industries. One of the main reasons Cu and its alloys are utilized widely is that they have sufficient corrosion resistance in key environments, such as seawater and anoxic solutions; however, localized corrosion processes might occur in the presence of aggressive anions, oxygen, or an increase in solution pH. In critical applications of Cu, the susceptibility of Cu to localized corrosion, specifically pitting, must be carefully considered, as it could lead to material failure. In this study, the pitting probability of Cu in unary (sulfate) and binary (sulfate + bicarbonate) solutions was investigated using electrochemical techniques in conjunction with statistical analysis. We determined pitting probabilities based on two different defining criteria for pitting susceptibility, one based on the probability that the corrosion potential, Ecorr, could exceed the passivity breakdown potential, Eb, and the other, a more conservative approach, based on the likelihood that Ecorr would be greater than the repassivation potential, Erp. The pitting probability of Cu did not change significantly with sulfate concentration at pH 8 but was found to increase with increasing [ <?CDATA ${{{\rm{SO}}}_{4}}^{2-}$?> SO 4 2 − ] up to 0.005 M at pH 9 and then to decrease with a further increase in [ <?CDATA ${{{\rm{SO}}}_{4}}^{2-}$?> SO 4 2 − ].
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».