MétaCan
Menu
Retour à la cohorte
Enregistrement W4409500604 · doi:10.5006/c2024-20809

Corrosion of Cr-Alloyed Steels in Supercritical CO2-Saturated Brine Water

2024· article· en· W4409500604 sur OpenAlexaff
Alexander Gross, Haofei Sun, Jing Liu

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueSubcritical and Supercritical Water Processes
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésSupercritical fluidBrineCorrosionMaterials scienceMetallurgyEnvironmental sciencePetroleum engineeringGeologyChemistry

Résumé

récupéré en direct d'OpenAlex

Abstract In the context of urgent efforts to reduce global carbon emissions, carbon capture, utilization, and storage (CCUS) has gained prominence. Tubing and casing steels are vital materials of construction (MOC) in CCUS systems, especially in supercritical CO2 (s-CO2) environments. However, the understanding of the corrosion behavior of these steels under s-CO2 conditions is limited, which presents integrity challenges. Immersion experiments were conducted with steels containing varying chromium (Cr) levels (0.5 wt% to 16.5 wt%), including P110, P91, and SS 316. These steels were exposed to s-CO2-saturated brine water (3.5 wt% NaCl) at 50 °C and 10 MPa for durations of 10 and 100 hours. Corrosion rates were determined via weight loss measurements, and corrosion products were analyzed with SEM and XRD. P110 displayed the highest corrosion rates (15.7 mm/y at 10 hours, 2.9 mm/y at 100 hours) but developed a thick FeCO3 layer after 100 hours. In contrast, P91 and SS 316 exhibited lower corrosion rates after 100 hours (0.04 mm/y and < 0.01 mm/y, respectively). The influence of Cr content and exposure duration on the corrosion behavior of these steels were discussed. All steels exhibited decreasing corrosion rates over time, primarily due to oxide formation, enhancing the understanding of casing and tubing steel corrosion in s-CO2 environments.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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 enseignants0,026
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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)0,0010,000

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,217
Écart entre enseignants0,209 · 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
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetSubcritical and Supercritical Water ProcessesTravaux en français237 207