Chemical Strippers and Surface Tolerant Coatings: a Tandem Approach for Steel, Concrete and Fibreglass Surfaces
Notice bibliographique
Résumé
Abstract In recent years, with ever increasing environmental and economic constraints, a diverse range of alternative surface preparation methodologies to abrasive blasting has emerged. With this shift from traditional methods of surface preparation, the use of state of the art chemical strippers is gaining acceptance in industrial and marine applications. Generic types of chemical strippers are discussed, the two that have been classified by convention as bond breakers and caustics, and the third and newly classified generic type known as selective adhesion release agents. The latter is the focus of this paper and is represented by the recent invention of SARA (Selective Adhesion Release Agent) technology. A 3-phase coating removal mechanism for this type of stripper has been elucidated. Different chemical stripper types were screened for efficacy on steel, rust, concrete and gel coat. Top performers were further evaluated for stripping (a) several generic coating types from abrasive blasted steel, and (b) surface tolerant penetrant sealer coatings applied to rusted steel, and mature and green concrete. Candidate coatings for (b) were epoxy penetrant sealers, moisture cured urethanes, high-build epoxies, a polysiloxane and a modified methyl methacrylate. Their penetrant and adhesion characteristics on various substrates were investigated, and they were then removed by different SARA strippers. The coatings were subsequently reapplied to the stripped substrates and their performance compared. Scanning electron microscopy, optical microscopy, viscosity measurements and pull-off adhesion tests were employed in this research. Select case histories demonstrate where SARA chemical strippers were very effective on steel, concrete and gel coat substrates.
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) | 0,001 | 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 ».