Self-generating lubricious oxides for friction reduction in FeCoNiMo and CrCoNiMo from room temperature to 1000 °C
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
For decades, reducing wear failure in metals and alloys in high-temperature, oxidizing environments has been a critical challenge due to their thermal softening, loose oxidation layers, and inability to use solid lubricants . Thus, the formation of self-generating lubricious tribo-oxide layers is highly desirable for reducing friction and wear in materials without additives. Here, we introduce Mo to two popular medium-entropy alloys (MEAs, i.e., FeCoNi and CrCoNi) and develop two Mo-containing MEAs (i.e., FeCoNiMo and CrCoNiMo). We measure the coefficients of friction (CoFs) and wear rates of the alloys from room temperature to 1000 °C and characterize the wear tracks. For both MEAs, the incorporation of 3d transition metal cations into MoO 3 considerably enhances the lubricity, maintaining CoFs below 0.4 from room temperature to 1000 °C, with the lowest CoFs of ∼0.10 at 800 °C and 1000 °C for CrCoNiMo. From room temperature to 600 °C, FeCoNiMo shows higher wear resistance than CrCoNiMo, attributed to the rapid formation of glaze layers consisting of Fe-based spinel oxides and molybdates . At 800 °C and 1000 °C, the wear resistance of FeCoNiMo significantly decreases due to the instability of the glaze layer and the volatility of MoO 3 . In contrast, CrCoNiMo shows higher wear resistance than FeCoNiMo at 800 °C and 1000 °C, due to the formation of a stable glaze layer composed of NiO-(Ni,Co)MoO 4 and an underlying chromite layer. We demonstrate a strategy to enhance the high-temperature wear resistance of multicomponent alloys by forming lubricious and stable tribo-oxidation layers.
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.
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 découle