Some thoughts on modelling abrasion-corrosion: wear by hard particles in corrosive environments
Notice bibliographique
Résumé
Abstract Wear by hard particles can involve abrasion or erosion and is one of the most severe forms of wear. When a corrosive environment is present, the material loss rate can be significantly increased due to interactions (synergy) between the mechanical and chemical/electrochemical actions. In developing strategies for mitigating such adverse synergistic effect, it is important to understand the complex effect of various parameters on material loss under given tribocorrosion conditions. In this paper, a model is presented for wear-corrosion synergy in abrasive wear by hard particles applicable to many conditions in both the marine renewable (abrasion by high concentrations of large sand particles on tidal turbines) and extractive metallurgy (abrasive wear in mineral extraction). The mechanical wear loss is modeled based on the grooving mechanism (micro-cutting/micro-ploughing). Wear-enhanced corrosion is calculated from the fresh surface areas generated by grooving and the corresponding transient corrosion current. The concept of “corrosion-degraded layer” on the worn surface is introduced to account for the corrosion-enhanced wear; within this corrosion-degraded layer, the material loss rate is higher under the same mechanical wear conditions than in the material that is unaffected by corrosion. Based on the model, the effect of wear conditions on synergy in hard particle wear-corrosion has been discussed. The relative thickness of the corrosion-degraded layer to the depth of hard particle penetration (grooving) in the mechanical wear is found to be an important parameter in determining the relative severity of synergy in different tribo-corrosion systems. Good qualitative agreement has been observed between the predictions and published experimental results obtained from a range of abrasion-corrosion and erosion-corrosion lab testing.
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 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 | 0,002 | 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 | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,006 |
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 tête enseignante, 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 ».