Inhibition de la corrosion de l’acier doux en eau de mer naturelle par des extraits peptidiques de crabe des neiges (
Bibliographic record
Abstract
\n Au Canada, environ 30 000 tonnes de sous-produits issus de la pêche du crabe des neiges (Chionoecetes opilio) sont générées annuellement et actuellement jetées aux ordures. Ces sous-produits contiennent des biopolymères, tels que des extraits peptidiques, et certains sont connus pour interagir avec des surfaces métalliques ainsi que pour avoir une activité antibactérienne. Ces propriétés laissent à penser que les extraits peptidiques de crabe des neiges (EPCN) pourraient être des inhibiteurs de corrosion, à la fois par adsorption sur la surface métallique et par inhibition de la corrosion induite par les microorganismes (CIM). L’inhibition de la corrosion par les EPCN a été étudiée à l’aide de mesures électrochimiques et le recouvrement des plaques par la rouille et le biofilm a été étudié par microscopie électronique à balayage. L’efficacité d’inhibition de la corrosion de l’acier doux en eau de mer par les EPCN a été démontrée sur une période de 10 jours, et une modification architecturale du biofilm a été observée durant cette même période. Cette étude montre que les EPCN pourraient agir selon deux mécanismes : l’un direct par adsorption sur le métal, et le second par la modification structurale du biofilm et donc par action sur la CIM. \n
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".