An empirical model of the kinetics of hydrogen-induced cracking in pipeline steel, using statistical distribution models and considering microstructural characteristics and hydrogen diffusion parameters
Notice bibliographique
Résumé
This study proposes an empirical model to predict the kinetics of hydrogen-induced cracking (HIC) growth rate in pipeline steels based on experimentally measured hydrogen diffusion parameters and spatial distribution of microstructural features previously identified to have a role on HIC kinetics. In the experimental work, the HIC was induced by electrochemical cathodic charging and the crack growth was monitored by ultrasonic inspection. Optical and scanning electron microscopy were used to determine the spatial distribution parameters of non-metallic inclusions, and the ferrite grain and second phase characteristics. The hydrogen microprint technique used to visualize hydrogen diffusion path in the microstructure and the hydrogen diffusion parameters were determined by hydrogen permeation tests. Results show that NMI shape affects HIC nucleation sites, using student's t-distribution, while ferrite grain characteristics affect HIC growth rates, with X70-2 and X56 steel plates recorded highest HIC growth rate. The Log-Normal distribution model, supported by statistical analysis, effectively predicts HIC growth rates compared with Weibull and Gamma distribution models. • Shape of non-metallic inclusions affects HIC nucleation sites. • Ferrite grains mainly affect the HIC growth rate. • Deformed, recrystallized, and {100}-oriented ferrite grains increase HIC growth rate. • Steels with more hydrogen solubility and density traps show higher HIC growth. • Higher volume fraction of pearlite does not correspond to an increased HIC growth rate. • Bainite is less susceptible to HIC than blocky martensite/austenite islands. • Two-degree Log-Normal distribution model more accurately predict HIC growth rate.
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 | 0,001 | 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 | 0,001 |
| 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 ».