MétaCan
Menu
Retour à la cohorte
Enregistrement W1963091146 · doi:10.1002/app.42438

Polypropylene reinforced with nanocrystalline cellulose: Coupling agent optimization

2015· article· en· W1963091146 sur OpenAlexafffund
Hojjat Mahi Hassanabadi, Ayşe Alemdar, Denis Rodrigue

Notice bibliographique

RevueJournal of Applied Polymer Science · 2015
Typearticle
Langueen
DomaineMaterials Science
ThématiqueAdvanced Cellulose Research Studies
Établissements canadiensFPInnovationsCRB Innovations (Canada)Université Laval
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaKarlsruhe Institute of TechnologyFonds Québécois de la Recherche sur la Nature et les TechnologiesMinistero dello Sviluppo EconomicoFPInnovationsArboraNano
Mots-clésMaterials sciencePolypropyleneComposite materialMaleic anhydrideRheologyNanocrystalline materialCelluloseNanocompositePolymerCopolymerChemical engineeringNanotechnology

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Five different grades of maleic anhydride polypropylene (MAPP) having different molecular weight and acid value (AV) were used as coupler in PP‐nanocrystalline cellulose (NCC) composites. The main objective was to study the effect of MAPP structure (Mw, AV) and filler/coupler ( F / C ) ratio on mechanical properties in order to find optimum mechanical properties in tension, flexion, and impact. Results showed that both Mw and AV have direct effect on mechanical properties and a balance between both must be achieved to get the best performance. However, regardless of MAPP structure, optimum improvement was obtained for F / C = 7.5/1. Shear rheological data showed that at high MAPP content, MAPP acts as lubricant. DSC and AFM analysis showed small reduction in the size of PP crystals in the presence of NCC. Rheological data under large amplitude oscillatory shear showed that the nanocomposites used here are under percolation. Using these analyses, possible reinforcement mechanisms were investigated. © 2015 Wiley Periodicals, Inc. J. Appl. Polym. Sci. 2015 , 132 , 42438.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,187
Score d'incertitude au seuil0,545

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,272
Écart entre enseignants0,249 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations31
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Applied Polymer ScienceMême sujetAdvanced Cellulose Research StudiesTravaux en français237 207