MétaCan
Menu
Retour à la cohorte
Enregistrement W4379880634 · doi:10.1002/maco.202313771

Experimental factors and their impact on understanding corrosion in anoxic environments

2023· article· en· W4379880634 sur OpenAlexaff
Nicholas A. Senior, Taylor Martino, R. Gaggiano, Nikitas Diomidis

Notice bibliographique

RevueMaterials and Corrosion · 2023
Typearticle
Langueen
DomaineMaterials Science
ThématiqueCorrosion Behavior and Inhibition
Établissements canadiensNatural Resources Canada
Organismes subventionnairesnon disponible
Mots-clésCorrosionRadioactive wasteSpent nuclear fuelAnoxic watersCarbon steelEnvironmental scienceContainment (computer programming)Materials scienceCarbon fibersWaste managementMetallurgyChemistryEngineeringEnvironmental chemistryComposite materialComputer science

Résumé

récupéré en direct d'OpenAlex

Abstract The long‐term disposal of nuclear waste in deep geological repositories requires safe containment for up to one million years. To understand how the waste will respond to the gradually evolving environment, researchers can perform sensitive experiments in the laboratory to replicate the repository conditions at specific time points. In Belgium, spent nuclear fuel will be housed within a carbon steel overpack, which is encased within a cement buffer, which may include a stainless steel liner (the “envelope”). The range of corrosion behaviors for carbon steel, and to a lesser extent, stainless steel, has been studied through hydrogen evolution, an end‐product of oxidation under repository conditions. Considerable time may be required for metallic surfaces to approach a steady hydrogen evolution and this is dependent upon the starting condition of the specimen surfaces. The use of nominally‐similar materials can result in significant variation in the reported corrosion rates. The presence of cements, which generate their own hydrogen and influence water chemistry as a function of time, add complexity to even simple experimental configurations that requires careful interpretation.

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 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 enseignants0,016
Score d'incertitude au seuil0,692

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)0,0010,000

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 GPT0,279
Écart entre enseignants0,234 · 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

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMaterials and CorrosionMême sujetCorrosion Behavior and InhibitionTravaux en français237 207