MétaCan
Menu
Retour à la cohorte
Enregistrement W4391639683 · doi:10.1149/ma2023-02131119mtgabs

Organic Coating for Oxide Removal on Copper Surfaces

2023· article· en· W4391639683 sur OpenAlexaff
Jashanpreet Kaur, Vikram Singh, Yuanjiao Li, Andre C. Liberati, Golnoush Asadiankouhidehkordi, Christian Moreau, Mark Aloisio, Cathleen M. Crudden, Janine Mauzeroll

Notice bibliographique

RevueECS Meeting Abstracts · 2023
Typearticle
Langueen
DomaineMaterials Science
ThématiqueSurface Modification and Superhydrophobicity
Établissements canadiensConcordia UniversityQueen's UniversityMcGill University
Organismes subventionnairesnon disponible
Mots-clésCopperCoatingOxideCopper oxideMaterials scienceMetallurgyChemical engineeringComposite materialEngineering

Résumé

récupéré en direct d'OpenAlex

The oxidation of copper surface decreases the surface functional quality, which can be detrimental for several industrial applications. The objective of my research project is the one-pot reduction of copper oxides on copper surfaces, followed by the formation of a stable coating composed of organic molecules that prevent further oxidation. The organic coating will be deposited using four approaches: immersion, resonant acoustic mixing, vapor phase deposition, and electrochemical deposition. By applying mentioned deposition methods, preliminary tests were performed and further characterized by using X-ray photoelectron spectroscopy (XPS) and matrix assisted laser desorption ionization (MALDI), which confirmed the presence of organic molecules on the copper surface. To obtain best coating, optimization is being done by varying various parameters such as concentration of organic molecule solution, time of immobilization, solvent type and influence of temperature. After achieving an optimal coating, next step forward is to conduct bulk corrosion studies to understand the real effect of the coating. Protecting copper surfaces in such a manner can extend the lifetime of copper surfaces, thereby saving resources, time and money in target industrial applications. Figure 1

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)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,035
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,002
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)0,0000,003

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 Opus0,041
Tête enseignante GPT0,280
Écart entre enseignants0,238 · 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.

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

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueECS Meeting AbstractsMême sujetSurface Modification and SuperhydrophobicityTravaux en français237 207