Polyurethane Nanocomposite Coatings Coupled with Titanium-Based Conversion Layers for Enhanced Anticorrosion, Icephobic Properties, and Surface Protection
Notice bibliographique
Résumé
This study examines the efficacy of icephobic polyurethane nanocomposite coatings in mitigating corrosion on an aluminum substrate. A titanium-based conversion coating is applied to modify the substrate, and the research focuses on optimizing the dual functionalities of icephobicity and anticorrosion within the polyurethane coatings while ensuring strong substrate adhesion. The coatings are formulated using fluoropolyol, isocyanate, and silica nanoparticles treated with polydimethylsiloxane. Surface properties are analyzed using contact angles, contact angle hysteresis measurements, and atomic force microscopy, and the coatings’ icephobicity is evaluated through differential scanning calorimetry, freezing time delay, ice adhesion under impact and non-impact conditions, and ice accretion tests. The corrosion resistance and adhesive strength of the coatings are assessed using electrochemical impedance spectroscopy and cross-cut tests, respectively. Increasing the concentration of silica nanoparticles to 10 wt.% increases contact angles to 167°, although the 4 wt.% coating produces the lowest contact angle hysteresis (3° ± 0.5°) and ice nucleation temperature (−23 °C). The latter coating is then applied to a substrate pretreated with a titanium/cerium-based conversion coating. This prepared surface maintains an ice adhesion of about 15 kPa after 15 icing/de-icing cycles and provides approximately 90 days of surface protection (|Z|lf = 1.6 × 109 Ω·cm2). Notably, the impedance value exceeds that of untreated substrates, underscoring the effectiveness of the titanium/cerium-based conversion coating in enhancing both corrosion resistance and coating adhesion to the substrate.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».