Enhancing corrosive-wear resistance of 316 austenitic stainless steel via surface texturing and double glow plasma surface alloying with titanium (Ti)
Notice bibliographique
Résumé
316 austenitic stainless steel exhibits significant corrosion failure in high-salt and friction-coupling environments, leading to substantially shortened service life in marine engineering and medical device applications. This highlights the necessity of surface treatment technologies to enhance material performance. To improve corrosive-wear resistance of 316 austenitic stainless steel in simulated seawater, surface texturing combined with double glow plasma surface alloying with titanium (DGPST) was conducted. Four samples were received: untreated substrate (G-316SS), DGPST-treated (T-316SS), surface textured (ST-316SS), surface textured and DGPST (DT-316SS). Their microstructure, mechanical properties, wear, and corrosion resistance were analyzed using XRD, SEM, nanoindentation, electrochemical tests, and friction/wear tests in simulated seawater. Results showed the composite DT-316SS sample achieved the highest corrosion potential, about −0.42 V, indicating superior corrosion resistance. The texture reduces friction contact area and stores lubricant, enhancing tribological performance. The T-316SS has better overall tribological properties. This is attributed to its dense layer rich in titanium, which enhances its tribological properties. The wear test results showed that the composite-treated and DGPST-treated samples had lower friction coefficient and wear rate. The surface hardness of the treated titanium is twice as high as that of the stainless steel matrix, up to 6.5 GPa, and the wear rate is reduced from 1.2 × 10 - 5 mm 3 /(N·m) to 0.32 × 10 - 5 mm 3 /(N·m).
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 | 0,000 |
| 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 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 ».