RU2608159C2 - Method of determining microhardness of nanocomposite coating with high wear resistance as per ratio of metal and ceramic phases in it - Google Patents

Method of determining microhardness of nanocomposite coating with high wear resistance as per ratio of metal and ceramic phases in it Download PDF

Info

Publication number
RU2608159C2
RU2608159C2 RU2014151321A RU2014151321A RU2608159C2 RU 2608159 C2 RU2608159 C2 RU 2608159C2 RU 2014151321 A RU2014151321 A RU 2014151321A RU 2014151321 A RU2014151321 A RU 2014151321A RU 2608159 C2 RU2608159 C2 RU 2608159C2
Authority
RU
Russia
Prior art keywords
coating
metal
microhardness
ceramic
neural network
Prior art date
Application number
RU2014151321A
Other languages
Russian (ru)
Other versions
RU2014151321A (en
Inventor
Сергей Георгиевич Валюхов
Владимир Викторович Черниченко
Александр Валентинович Кретинин
Олег Владимирович Стогней
Original Assignee
Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Воронежский государственный технический университет"
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Воронежский государственный технический университет" filed Critical Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Воронежский государственный технический университет"
Priority to RU2014151321A priority Critical patent/RU2608159C2/en
Publication of RU2014151321A publication Critical patent/RU2014151321A/en
Application granted granted Critical
Publication of RU2608159C2 publication Critical patent/RU2608159C2/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/40—Investigating hardness or rebound hardness
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B82—NANOTECHNOLOGY
    • B82Y—SPECIFIC USES OR APPLICATIONS OF NANOSTRUCTURES; MEASUREMENT OR ANALYSIS OF NANOSTRUCTURES; MANUFACTURE OR TREATMENT OF NANOSTRUCTURES
    • B82Y30/00—Nanotechnology for materials or surface science, e.g. nanocomposites
    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C14/00—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material
    • C23C14/06—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material characterised by the coating material
    • C23C14/0688—Cermets, e.g. mixtures of metal and one or more of carbides, nitrides, oxides or borides

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

FIELD: materials science.
SUBSTANCE: invention relates to materials science and can be used in various fields of state-of-the-art electronics, alternative power engineering and machine building. Method of determining microhardness of a nanocomposite coating with high wear resistance as per the ratio of metal and ceramic phases in it is characterized by that determined are values of microhardness for a metal and a ceramic coatings of different chemical compositions free from impurities of the ceramic or the metal phases, respectively, then produced is a coating with a specified chemical composition and the specified percentage of the above said phases with a certain pitch with varying the percentage ratio of metal-to-ceramics phases in the coating from zero to maximum. Then determined are values of the obtained coating microhardness at the preset ratio of the above said phases. Basing on the obtained data an artificial neural network is created and trained, that is followed by testing the produced neural network model by sequential elimination from the statistical sample used for its training of the neural network model factors in the form of experimentally measured values including microhardness of the metal coating (Hm), microhardness of the ceramic coating (Hc) and concentration of the metal phase in the composite (Cm) with subsequent determination using the obtained neural network model of its output parameter in the form of the nanocomposite coating microhardness value (H) and comparing the obtained theoretical values with the initial experimental data. Then the said artificial neural network is entered with data on chemical composition of the metal and the ceramic phases, their percentage in the obtained coating and by means of the artificial neural network determined is the obtained nanocomposite metal-ceramic coating microhardness value from the ratio of the metal and the ceramic phases. In particular cases after comparing the obtained theoretical value of nanocomposite coating microhardness (H) with the initial experimental data the produced neural network model is corrected.
EFFECT: provided is higher wear resistance at simultaneous reduction of the coating production cost and high stability of the determined parameters used for the coating application.
1 cl, 4 dwg

Description

Изобретение относится к материаловедению и может быть использовано в различных областях современной электроники, альтернативной энергетике, машиностроении и т.д.The invention relates to materials science and can be used in various fields of modern electronics, alternative energy, mechanical engineering, etc.

Исследования последних лет показали, что материалы и покрытия с ультрамелкодисперсной структурой и наноструктурными упрочняющими элементами обладают улучшенными физико-химическими и механическими свойствами, поэтому в последние годы во всем мире проводятся работы по разработке способов получения материалов с наноструктурой.Recent studies have shown that materials and coatings with an ultrafine dispersed structure and nanostructured reinforcing elements have improved physicochemical and mechanical properties, therefore, in recent years, work has been carried out around the world to develop methods for producing materials with a nanostructure.

Весьма перспективным направлением является применение не просто наноструктурированных материалов, а нанокомпозитных материалов, сочетающих в себе металлическую и керамическую фазы, характерные размеры которых составляют единицы - десятки нанометров. Механические свойства таких наноструктурированных материалов в значительной степени зависят от концентрационного соотношения между металлической и керамической фазами. Изменение концентрации одной из фаз в композите позволяет менять значение их механических характеристик в достаточно широких пределах. С другой стороны, для нахождения требуемого соотношения металлической и керамической фаз в покрытии, с целью получения заданных свойств, требуются значительные дорогостоящие экспериментальные работы, т.к. характеристики получаемого покрытия изменяются нелинейно, что приводит к значительным временным и материальным затратам.A very promising direction is the use of not just nanostructured materials, but nanocomposite materials that combine metal and ceramic phases, whose characteristic dimensions are units - tens of nanometers. The mechanical properties of such nanostructured materials are largely dependent on the concentration ratio between the metal and ceramic phases. Changing the concentration of one of the phases in the composite allows you to change the value of their mechanical characteristics in a fairly wide range. On the other hand, to find the required ratio of the metal and ceramic phases in the coating, in order to obtain the desired properties, significant expensive experimental work is required, because the characteristics of the resulting coating change nonlinearly, which leads to significant time and material costs.

Известен способ получения наноструктурного покрытия из композита металл-керамика состава (Co86Nb12Ta2)x(SiOn)100-x, включающий осаждение композита ионно-лучевым распылением с обеспечением образования гранул металлической фазы со средним диаметром 2-4 нм, изолированных сплошной керамической фазой, при этом концентрацию металлической фазы при распылении выбирают в пределах 20-40 ат.%. (Патент РФ №2515600, заявка №2011148577/02 от 29.11.2011, МПК: С23С 14/46, С23С 14/06, В82В 3/00 - прототип).A known method of producing a nanostructured coating from a metal-ceramic composite of the composition (Co 86 Nb 12 Ta 2 ) x (SiO n ) 100-x , including the deposition of the composite by ion-beam spraying with the formation of granules of the metal phase with an average diameter of 2-4 nm, isolated continuous ceramic phase, while the concentration of the metal phase during spraying is selected in the range of 20-40 at.%. (RF patent No. 2515600, application No. 20111148577/02 of 11.29.2011, IPC: C23C 14/46, C23C 14/06, B82B 3/00 - prototype).

Основным недостатком данного способа является то, что для нахождения требуемого соотношения металлической и керамической фаз в покрытии, с целью получения заданных свойств, требуются значительные дорогостоящие экспериментальные работы.The main disadvantage of this method is that to find the desired ratio of the metal and ceramic phases in the coating, in order to obtain the desired properties, significant expensive experimental work is required.

Данные обстоятельства обуславливают целесообразность применения методов обработки экспериментальных данных для построения экспериментальных факторных моделей, которые не раскрывают физической сущности явлений, но позволяют описывать и, самое главное, прогнозировать практически важные свойства материалов в некоторой ограниченной области факторного пространства.These circumstances determine the expediency of using experimental data processing methods for constructing experimental factor models that do not reveal the physical essence of phenomena, but allow us to describe and, most importantly, predict practically important properties of materials in a certain limited area of factor space.

Искусственные нейронные сети (ИНС) являются мощным и универсальным алгоритмом аппроксимации (см. например, Барский А.Б. Ведение в нейронные сети, М.: Интернет-Университет информационных технологий, 2011; Калацкая Л.В., Новиков В.А., Садов В.С. Организация и обучение искусственных нейронных сетей: Экспериментальное учеб. пособие. - Минск: Изд-во БГУ, 2003. - 72 с. Галушкин А.И. Синтез многослойных систем распознавания образов. - М.: Энергия, 1974).Artificial neural networks (ANNs) are a powerful and universal approximation algorithm (see, for example, Barsky A.B. Maintenance in neural networks, Moscow: Internet University of Information Technologies, 2011; Kalatskaya L.V., Novikov V.A., Sadov V.S. Organization and Training of Artificial Neural Networks: An Experimental Textbook.- Minsk: BSU Publishing House, 2003. - 72 pp. A. Galushkin, Synthesis of Multilayer Pattern Recognition Systems. - Moscow: Energia, 1974) .

С одной стороны, искусственные нейронные сети слабочувствительны к структуре экспериментальных данных, а с другой - способны выявлять зависимости между входными и выходными данными, а также выполнять обобщение на основе сравнительно небольшого массива экспериментальных результатов. Нейросетевые алгоритмы способны аппроксимировать произвольную многофакторную зависимость с любой точностью при соответствующей регуляризации процедуры настройки параметров аппроксимационного уравнения. В случае успешного обучения такая сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также на основе неполных или частично искаженных данных. Вследствие этого нейронные сети можно рассматривать не только как инструмент аппроксимации, но и как способ прогнозирования физических свойств реальных объектов на основе экспериментальных данных.On the one hand, artificial neural networks are weakly sensitive to the structure of experimental data, and on the other hand, they are able to identify dependencies between input and output data, as well as to generalize based on a relatively small array of experimental results. Neural network algorithms are able to approximate an arbitrary multi-factorial dependence with any accuracy with the appropriate regularization of the procedure for setting the parameters of the approximation equation. In the case of successful training, such a network will be able to return the correct result based on data that were not in the training sample, as well as on the basis of incomplete or partially distorted data. As a result, neural networks can be considered not only as an approximation tool, but also as a way of predicting the physical properties of real objects based on experimental data.

Задачей предложенного технического решения является устранение лишних временных и материальных затрат посредством создания способа определения концентрации компонент в наноструктурном покрытии из гранулированного композита «металл-керамика» и получение собственно самого наноструктурного покрытия из гранулированного композита «металл-керамика», применение которого позволит обеспечить повышенную износостойкость и высокую стабильность параметров с одновременным снижением себестоимости.The objective of the proposed technical solution is to eliminate unnecessary time and material costs by creating a method for determining the concentration of components in a nanostructured coating from a granular metal-ceramic composite and obtaining the nanostructure itself from a granular metal-ceramic composite, the use of which will provide increased wear resistance and high stability of parameters while reducing cost.

Решение указанной задачи достигается тем, что в предложенном способе определения микротвердости нанокомпозитного покрытия с повышенной износостойкостью по соотношению в нем металлической и керамической фаз, согласно изобретению, сначала определяют значения микротвердости для металлического и керамического покрытий различного химического состава без примесей керамической или металлической фазы соответственно, затем получают покрытия с заданным химическим составом и заданным процентным соотношением указанных фаз с определенным шагом с изменением при этом процентного соотношения фаз металл-керамика в покрытии от нуля до максимума, после чего определяют значения микротвердости полученного покрытия при заданном соотношении указанных фаз, затем на основании полученных данных создают искусственную нейронную сеть, проводят ее обучение, после чего проводят тестирование полученной нейросетевой модели путем последовательного исключения из статистической выборки, которая использовалась для ее обучения, факторов нейросетевой модели в виде экспериментально измеренных величин, включающих микротвердость металлического покрытия (Нм), микротвердость керамического покрытия (Нк) и концентрацию металлической фазы в композите (См), с последующим определением при помощи полученной нейросетовой модели ее выходного параметра в виде значения микротвердости нанокомпозитного покрытия (Н), и сравнения полученного теоретического значения с исходными экспериментальными данными, затем вводят в упомянутую искусственную нейронную сеть химический состав металлической и керамической фаз, их процентное соотношение в получаемом покрытии, и, при помощи искусственной нейронной сети, определяют значения микротвердости получаемого нанокомпозитного покрытия металл-керамика по соотношению металлической и керамической фаз.The solution to this problem is achieved by the fact that in the proposed method for determining the microhardness of a nanocomposite coating with increased wear resistance by the ratio of the metal and ceramic phases in it, according to the invention, microhardness values for metal and ceramic coatings of various chemical compositions without impurities of the ceramic or metal phase are first determined, respectively, then get coatings with a given chemical composition and a given percentage of these phases with a certain w agom with a change in the percentage of metal-ceramic phases in the coating from zero to maximum, after which the microhardness of the resulting coating is determined at a given ratio of these phases, then based on the data obtained, an artificial neural network is created, it is trained, and then the obtained neural network model by sequential exclusion from the statistical sample that was used to train it, the factors of the neural network model in the form of experimentally measured values, including the microhardness of the metal coating (N m ), the microhardness of the ceramic coating (N k ) and the concentration of the metal phase in the composite (C m ), with the subsequent determination using the obtained neural network model of its output parameter in the form of the microhardness of the nanocomposite coating (N) , and comparing the obtained theoretical value with the initial experimental data, then the chemical composition of the metal and ceramic phases is introduced into the mentioned artificial neural network, their percentage ratio the resulting coating, and, using an artificial neural network, determine the microhardness of the resulting metal-ceramic nanocomposite coating by the ratio of the metal and ceramic phases.

В варианте применения после сравнения полученного теоретического значения микротвердости нанокомпозитного покрытия (Н) с исходными экспериментальными данными проводят корректировку полученной нейросетевой модели.In the application, after comparing the obtained theoretical value of the microhardness of the nanocomposite coating (N) with the initial experimental data, the obtained neural network model is adjusted.

Сущность изобретения иллюстрируется чертежами, где на фиг. 1 показаны концентрационные зависимости параметра, характеризующего механические свойства композитов CoFeZr-Al2O3, с указанием точек, полученных экспериментальными и аналитическими исследованиями, на фиг. 2 - зависимости для композитов Fe-Al2O3, на фиг. 3 - зависимости для композитов Fe-SiO2, на фиг. 4 - зависимости для композитов Co-CaF.The invention is illustrated by drawings, where in FIG. 1 shows the concentration dependences of a parameter characterizing the mechanical properties of CoFeZr-Al 2 O 3 composites, indicating the points obtained by experimental and analytical studies, FIG. 2 shows the dependences for Fe-Al 2 O 3 composites; FIG. 3 shows the dependences for Fe-SiO 2 composites; FIG. 4 - dependences for Co-CaF composites.

На всех фигурах показана концентрационная зависимость микротвердости композитов, измеренная методом Кнупа (символы) и полученная с помощью нейросетевой модели (линия).All figures show the concentration dependence of the microhardness of the composites, measured by the Knoop method (symbols) and obtained using the neural network model (line).

Экспериментальные данные представляли собой результат исследования микротвердости нанокомпозитных покрытий металл-керамика, отличающихся друг от друга как элементным составом, так и соотношением фаз. В качестве факторов модели приняты экспериментально измеренные величины: микротвердость чистого металлического покрытия (Нм), микротвердость чистого керамического покрытия (Нк) и концентрация металлической фазы в композите (См), при этом в качестве выходного параметра модели используется значение микротвердости композитного покрытя (Н).The experimental data was the result of a study of the microhardness of metal-ceramic nanocomposite coatings, which differ from each other in both elemental composition and phase ratio. The experimentally measured values were taken as model factors: the microhardness of a pure metal coating (N m ), the microhardness of a pure ceramic coating (N k ) and the concentration of the metal phase in the composite (C m ), while the microhardness of the composite coating is used as the output parameter of the model ( H).

Все данные получены при исследовании нанокомпозитов, которые, в свою очередь, были получены по единой технологии, в одинаковых условиях на одном и том же оборудовании. Покрытия представляли собой тонкие пленки толщиной 5-7 мкм, нанесенные на поверхность полированных пластин СТ-50. Осаждение покрытий производилось с помощью метода ионно-лучевого распыления составных мишеней в атмосфере аргона и последующего осаждения выбитых атомов на поверхность подложки. Образование композитной структуры в напыляемых покрытиях происходило вследствие процессов самоорганизации. Наличие композитной структуры у исследованных покрытий непосредственно подтверждалось данными просвечивающей электронной микроскопии.All data was obtained in the study of nanocomposites, which, in turn, were obtained using a single technology, under the same conditions on the same equipment. The coatings were thin films 5–7 μm thick deposited on the surface of polished plates ST-50. The deposition of coatings was carried out using the method of ion beam sputtering of composite targets in an argon atmosphere and the subsequent deposition of knocked out atoms on the surface of the substrate. The formation of a composite structure in sprayed coatings occurred as a result of self-organization processes. The presence of a composite structure in the coatings studied was directly confirmed by transmission electron microscopy.

Для структурных исследований композиты наносились на монокристаллические подложки из NaCl с последующим отделением, а длительность процесса осаждения составляла несколько минут. Микротвердость композитных покрытий исследовалась методом индентирования алмазной пирамидкой. Поскольку толщина покрытий находилась в интервале 5-7 мкм, для измерений использовалась алмазная пирамидка Кнупа. Все измерения микротвердости проводились при одинаковой нагрузке на индентор, составлявшей 0.49 Н.For structural studies, composites were deposited on single-crystal NaCl substrates with subsequent separation, and the duration of the deposition process was several minutes. The microhardness of composite coatings was studied by indentation with a diamond pyramid. Since the coating thickness was in the range of 5–7 μm, the Knoop diamond pyramid was used for measurements. All microhardness measurements were carried out with the same indenter load of 0.49 N.

Проведенные экспериментальные и аналитические исследования на натурных образцах подтвердили достаточно хорошую сходимость экспериментальных данных с теоретическими данными, полученными при использовании заложенной математической модели, что показывает работоспособность предложенного способа в заданном интервале.The experimental and analytical studies on full-scale samples confirmed a fairly good convergence of experimental data with theoretical data obtained using the embedded mathematical model, which shows the efficiency of the proposed method in a given interval.

Использование предложенного технического решения позволит построить регрессионные зависимости, открытые для новых данных, то есть созданные модели могут пополняться и уточняться за счет введения новых факторов, что усложняет их структуру, но при этом повышает их адекватность.Using the proposed technical solution will allow us to build regression dependencies that are open to new data, that is, the created models can be replenished and refined by introducing new factors, which complicates their structure, but at the same time increases their adequacy.

Claims (2)

1. Способ определения микротвердости нанокомпозитного покрытия с повышенной износостойкостью по соотношению в нем металлической и керамической фаз, характеризующийся тем, что определяют значения микротвердости для металлического и керамического покрытий различного химического состава без примесей керамической или металлической фазы соответственно, затем получают покрытие с заданным химическим составом и заданным процентным соотношением указанных фаз с определенным шагом с изменением при этом процентного соотношения фаз металл-керамика в покрытии от нуля до максимума, после чего определяют значения микротвердости полученного покрытия при заданном соотношении указанных фаз, затем, на основании полученных данных, создают искусственную нейронную сеть, проводят ее обучение, после чего проводят тестирование полученной нейросетевой модели путем последовательного исключения из статистической выборки, которая использовалась для ее обучения, факторов нейросетевой модели в виде экспериментально измеренных величин, включающих микротвердость металлического покрытия (Нм), микротвердость керамического покрытия (Нк) и концентрацию металлической фазы в композите (См), с последующим определением при помощи полученной нейросетовой модели ее выходного параметра в виде значения микротвердости нанокомпозитного покрытия (Н), и сравнения полученного теоретического значения с исходными экспериментальными данными, затем вводят в упомянутую искусственную нейронную сеть данные о химическом составе металлической и керамической фаз, их процентном соотношении в получаемом покрытии и, при помощи искусственной нейронной сети, определяют значения микротвердости получаемого нанокомпозитного покрытия металл-керамика по соотношению металлической и керамической фаз.1. The method of determining the microhardness of a nanocomposite coating with increased wear resistance by the ratio of the metal and ceramic phases in it, characterized in that the microhardness values for metal and ceramic coatings of various chemical compositions without impurities of the ceramic or metal phase are determined, respectively, then a coating with a given chemical composition and a specified percentage of these phases with a certain step with a change in the percentage of phases metal-to frame in the coating from zero to maximum, after which the microhardness of the resulting coating is determined at a given ratio of the indicated phases, then, based on the data obtained, an artificial neural network is created, it is trained, and then the resulting neural network model is tested by sequential exclusion from the statistical sample , which was used for its training, factors of the neural network model in the form of experimentally measured values, including the microhardness of the metal coating (N m ), the microhardness of the ceramic coating (N k ) and the concentration of the metal phase in the composite (C m ), with subsequent determination using the obtained neural network model of its output parameter in the form of the microhardness of the nanocomposite coating (N), and comparing the obtained theoretical value with initial experimental data, then data are introduced into the mentioned artificial neural network on the chemical composition of the metal and ceramic phases, their percentage in the resulting coating and, using artificial neural network, determine the microhardness value of the resulting metal-ceramic nanocomposite coating by the ratio of the metal and ceramic phases. 2. Способ по п. 1, отличающийся тем, что после сравнения полученного теоретического значения микротвердости нанокомпозитного покрытия (Н) с исходными экспериментальными данными проводят корректировку полученной нейросетевой модели.2. The method according to p. 1, characterized in that after comparing the obtained theoretical value of the microhardness of the nanocomposite coating (N) with the initial experimental data, the resulting neural network model is adjusted.
RU2014151321A 2014-12-17 2014-12-17 Method of determining microhardness of nanocomposite coating with high wear resistance as per ratio of metal and ceramic phases in it RU2608159C2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2014151321A RU2608159C2 (en) 2014-12-17 2014-12-17 Method of determining microhardness of nanocomposite coating with high wear resistance as per ratio of metal and ceramic phases in it

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2014151321A RU2608159C2 (en) 2014-12-17 2014-12-17 Method of determining microhardness of nanocomposite coating with high wear resistance as per ratio of metal and ceramic phases in it

Publications (2)

Publication Number Publication Date
RU2014151321A RU2014151321A (en) 2016-07-10
RU2608159C2 true RU2608159C2 (en) 2017-01-16

Family

ID=56372564

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2014151321A RU2608159C2 (en) 2014-12-17 2014-12-17 Method of determining microhardness of nanocomposite coating with high wear resistance as per ratio of metal and ceramic phases in it

Country Status (1)

Country Link
RU (1) RU2608159C2 (en)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001062358A (en) * 1999-07-31 2001-03-13 Abb Res Ltd Method for determining distribution of layer thickness of coating layer
JP2002180295A (en) * 2000-12-20 2002-06-26 Fuji Heavy Ind Ltd Method and apparatus for analyzing electrodeposition coating
RU2002134339A (en) * 2002-12-20 2004-06-10 Юрий Васильевич Панфилов METHOD FOR DETERMINING THE DURABILITY OF THIN FILM COATINGS USING A NEURAL NETWORK SIMULATION
KR20050056177A (en) * 2005-05-24 2005-06-14 부산대학교 산학협력단 Determination of mechanical properties of coating layer on electronic galvanized sheet steel
RU2515600C2 (en) * 2011-11-29 2014-05-20 Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Воронежский государственный технический университет" Method of production of nanostructured coating

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001062358A (en) * 1999-07-31 2001-03-13 Abb Res Ltd Method for determining distribution of layer thickness of coating layer
JP2002180295A (en) * 2000-12-20 2002-06-26 Fuji Heavy Ind Ltd Method and apparatus for analyzing electrodeposition coating
RU2002134339A (en) * 2002-12-20 2004-06-10 Юрий Васильевич Панфилов METHOD FOR DETERMINING THE DURABILITY OF THIN FILM COATINGS USING A NEURAL NETWORK SIMULATION
KR20050056177A (en) * 2005-05-24 2005-06-14 부산대학교 산학협력단 Determination of mechanical properties of coating layer on electronic galvanized sheet steel
RU2515600C2 (en) * 2011-11-29 2014-05-20 Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Воронежский государственный технический университет" Method of production of nanostructured coating

Also Published As

Publication number Publication date
RU2014151321A (en) 2016-07-10

Similar Documents

Publication Publication Date Title
Caicedo et al. Effect of applied bias voltage on corrosion-resistance for TiC1− xNx and Ti1− xNbxC1− yNy coatings
Rafieerad et al. GEP-based method to formulate adhesion strength and hardness of Nb PVD coated on Ti–6Al–7Nb aimed at developing mixed oxide nanotubular arrays
Shanaghi et al. Effects of duty cycle on microstructure and corrosion behavior of TiC coatings prepared by DC pulsed plasma CVD
Faraldi et al. Smart conservation methodology for the preservation of copper-based objects against the hazardous corrosion
Rashidi et al. Prediction of the relative texture coefficient of nanocrystalline nickel coatings using artificial neural networks
Purandare et al. ZrN coatings deposited by high power impulse magnetron sputtering and cathodic arc techniques
Yakupov et al. Thin-layer films and coatings
Zhang et al. Phenomenological model of the growth of ultrasmooth silver thin films deposited with a germanium nucleation layer
Caicedo et al. Improving the physicochemical surface properties on AISI D3 steel coated with Ti-WN
Flores et al. The influence of the period size on the corrosion and the wear abrasion resistance of TiN/Ti multilayers
Caicedo et al. Effect of negative bias voltage on mechanical and electrochemical nature in Ti–W–N coatings
EP2424683A1 (en) Metal substrates having a scratch-proof and extensible corrosion protection layer and method for the production thereof
Gnedenkov et al. Effect of conditions of treatment with superdispersed polytetrafluoroethylene on properties of composite coatings
RU2608159C2 (en) Method of determining microhardness of nanocomposite coating with high wear resistance as per ratio of metal and ceramic phases in it
e Silva et al. Morphological analysis of the TiN thin film deposited by CCPN technique
RU2608158C2 (en) Method of producing nanocomposite metal-ceramic coatings with required microhardness values
RU2608157C2 (en) Method of producing wear-resistant nanocomposite coating with specified value of microhardness on surface of polished glass-ceramic plate
RU2608156C2 (en) Method of producing nanocomposite metal-ceramic coating with specified value of microhardness on surface of polished glass-ceramic plate
Banko et al. Effects of the Ion to Growth Flux Ratio on the Constitution and Mechanical Properties of Cr1–x-Al x-N Thin Films
Perzynski et al. Numerical modelling of a compression test based on the 3D digital material representation of pulsed laser deposited TiN thin films
Besnard et al. Effect of sputtering pressure on some properties of chromium thin films obliquely deposited
Yadav et al. Surface roughness and fractal study of caf2 thin films
Abdallah et al. Characterization of TiAlV films prepared by vacuum arc deposition: effect of substrate temperature
Wei et al. Electron-beam irradiation induced phase transformation, optical absorption and surface-enhanced Raman scattering of Indium tin alloy thin films
Jean et al. Application of an Artificial Neural Network for Simulating Robust Plasma‐Sprayed Zirconia Coatings

Legal Events

Date Code Title Description
MM4A The patent is invalid due to non-payment of fees

Effective date: 20171218