Deep learning–enhanced prediction of microstructure and porosity evolution in additive-manufactured membrane coatings for harsh environments
Notice bibliographique
Résumé
Abstract This study investigates the capability of additive manufacturing (AM) to produce thick coatings functioning as multifunctional membranes with enhanced barrier, transport, and mechanical properties for harsh operating environments. The primary objective was to evaluate how deposition technique and microstructural optimisation influence porosity, diffusion resistance, corrosion protection, and thermal stability. A combined methodology was implemented, integrating experimental testing of laser cladding, thermal spraying, and direct energy deposition (DED) with mathematical models for permeability, diffusion, and thermal conductivity. Laser cladding demonstrated the densest structures, achieving porosity levels below 2% and reducing gas permeability to 1.2 × 10⁻¹⁵ m², nearly an order of magnitude lower than thermal spraying (1.1 × 10⁻¹⁴ m²). Corrosion testing showed nickel-based cladded coatings reached rates as low as 0.0025 mm/year, representing a 90% reduction compared to uncoated substrates (0.026 mm/year). Thermal barrier evaluation of YSZ coatings indicated a conductivity of 0.95 W/m·K at 1200 °C, corresponding to a 38% reduction in heat flux across 1.2 mm-thick layers. Ultrasonic spray post-treatment reduced surface roughness by up to 55% and biofilm accumulation by nearly half. Error analysis confirmed deviations within ± 6%. These results confirm that AM thick coatings function as functional membranes, offering selective transport regulation, structural durability, and sustainability across the aerospace, energy, and marine sectors.
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 | 0,001 |
| 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 ».