MétaCan
Menu
Retour à la cohorte
Enregistrement W1966243870 · doi:10.1115/1.4028300

X-Ray Diffraction Analysis of Kraft Lignins and Lignin-Derived Carbon Nanofibers

2014· article· en· W1966243870 sur OpenAlexafffund
Azadeh Goudarzi, Li-Ting Lin, Frank Ko

Notice bibliographique

RevueJournal of Nanotechnology in Engineering and Medicine · 2014
Typearticle
Langueen
DomaineEngineering
ThématiqueLignin and Wood Chemistry
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesGenome British ColumbiaGenome Canada
Mots-clésPolyacrylonitrileLigninSoftwoodMaterials scienceFourier transform infrared spectroscopyCarbonizationCarbon nanofiberNanofiberKraft paperElectrospinningCarbon fibersHardwoodChemical engineeringKraft processGraphiteComposite materialCarbon nanotubeOrganic chemistryChemistryPolymerScanning electron microscopeComposite numberBotany

Résumé

récupéré en direct d'OpenAlex

Abstract Lignin is a renewable material and it is abundantly available as low priced industrial residue. Lignin-based carbon fibers are economically attractive and sustainable. In addition, remarkably oxidized molecule of the lignin decreases the required time and temperature of the thermostabilization process compared to other carbon fiber precursors such as polyacrylonitrile (PAN); and thus, decreases the processing cost of carbon fiber production. The fraction 4 of softwood Kraft lignin (SKL-F4) was previously shown to be spinnable via electrospinning to produce carbon nanofibers. In this paper, we characterized different Kraft lignin powders through X-ray diffraction (XRD) analysis to measure the mean size of the ordered domains in different fractionations of softwood and hardwood samples. According to our results, SKL-F4 has largest ordered domains among SKLs and highest hydroxyl content according to Fourier transform infrared (FTIR) analysis. In addition, variations in the XRD patterns during carbon nanofiber formation were studied and the peak for (101) plane in graphite was observed in the carbon nanofiber carbonized at 1000 °C.

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)0,000
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 enseignants0,149
Score d'incertitude au seuil0,465

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
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 Opus0,003
Tête enseignante GPT0,194
Écart entre enseignants0,190 · 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

Citations105
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Nanotechnology in Engineering and MedicineMême sujetLignin and Wood ChemistryTravaux en français237 207