MétaCan
Menu
Retour à la cohorte
Enregistrement W4391926693 · doi:10.1177/1478422x231221061

A novel material selection method and application in an aqueous environment containing CO <sub>2</sub> , H <sub>2</sub> S, O <sub>2</sub> and SO <sub>2</sub>

2024· article· en· W4391926693 sur OpenAlexaff
Kexi Liao, Jihui Leng, Yongbo Yan, Tengjiao He, Xidi Lv, Xin Liu, Min Qin, Shuai Zhao, Y. Frank Cheng

Notice bibliographique

RevueCorrosion Engineering Science and Technology The International Journal of Corrosion Processes and Corrosion Control · 2024
Typearticle
Langueen
DomaineMaterials Science
ThématiqueCorrosion Behavior and Inhibition
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésCorrosionSelection (genetic algorithm)Material selectionAqueous solutionPipeline (software)Materials scienceMetallurgyChemistryComputer scienceComposite materialOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

The corrosion in the aqueous environment of CO 2 –H 2 S–O 2 –SO 2 is extremely severe, causing frequent failures of pipeline and posing a challenging issue for material selection. This paper drew on excellent standards and past experiences to provide a suitable method for selecting materials. The method consisted of four components: standard primary selection, corrosion evaluation selection, mechanical property selection, and economic final selection. A case study demonstrated that the applicable materials for the environment (total pressure of 1.5 MPa, temperature of 30–120 °C, H 2 S content of 0.1–1.5%, CO 2 content of 8–55%, SO 2 content of 0–0.00015% and O 2 content of 1–3%) were composed of 2Cr13 or 316L. Additionally, the main control factors for corrosion rate were ranked as follows: O 2 > H 2 S > temperature > CO 2 > SO 2 . And a reduction in mechanical properties was observed for 2Cr13, 316L, and 825 after corrosion.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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 Opus0,006
Tête enseignante GPT0,240
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 source (Gemma direct ou Codex distillé), 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
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCorrosion Engineering Science and Technology The International Journal of Corrosion Processes and Corrosion ControlMême sujetCorrosion Behavior and InhibitionTravaux en français237 207