Polymer Nanocomposite Coatings for CO2 Pipeline Corrosion Control: A Comprehensive Review
Notice bibliographique
Résumé
Carbon dioxide (CO2) is the most significant greenhouse gas, accounting for 77% of global warming and is produced by the combustion of fossil fuels in industries. Carbon capture, storage and utilization (CCUS) is a possible pathway in achieving the emission reduction target set by the Canadian government in 2050. The transportation of the captured CO2 to storage is a critical factor in the CCUS process, which is frequently hindered by corrosion. The impurities in CO2 lead to corrosion risks, which are generally addressed using inhibitors, corrosion-resistant alloys, and polymer coatings in the oil and gas sector. However, CO2 corrosion is more complex than CO2 sweet corrosion. It is difficult to obtain a single inhibitor capable of mitigating CO2 corrosion in pipelines, and corrosion-resistant alloys are too expensive to be used throughout all sections of the pipeline. Polymers are employed as coatings. For gaseous and supercritical CO2, which leads to defects in the coatings, such as blisters and porosity. As a result, researchers have focused on using nanocomposite coatings to control CO2 corrosion. This review paper focused on the interactions of CO2 with impurities on polymer and polymer nanocomposites. In particular, the most commonly used clay and graphene polymer nanocomposites coatings and their interactions with CO2 were discussed. Further, the transport properties of CO2 through polymers and polymer nanocomposites and the interaction mechanism were analyzed. The paper concludes with the processing methods used for the polymer and polymer nanocomposite coatings.
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 | 0,010 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».