MétaCan
Menu
Retour à la cohorte
Enregistrement W2022266553 · doi:10.3390/nano2020163

Porous Copolymer Resins: Tuning Pore Structure and Surface Area with Non Reactive Porogens

2012· review· en· W2022266553 sur OpenAlexafffund
Mohamed H. Mohamed, Lee D. Wilson

Notice bibliographique

RevueNanomaterials · 2012
Typereview
Langueen
DomaineMaterials Science
ThématiqueMesoporous Materials and Catalysis
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaUniversity of Saskatchewan
Mots-clésMaterials sciencePorosityCopolymerChemical engineeringPolymerizationMicroporous materialMesoporous materialSolubilityMonomerHildebrand solubility parameterSuspension polymerizationYield (engineering)PolymerSolventPorous mediumSpecific surface areaPolymer chemistryOrganic chemistryComposite materialChemistryCatalysis

Résumé

récupéré en direct d'OpenAlex

In this review, the preparation of porous copolymer resin (PCR) materials via suspension polymerization with variable properties are described by tuning the polymerization reaction, using solvents which act as porogens, to yield microporous, mesoporous, and macroporous materials. The porogenic properties of solvents are related to traditional solubility parameters which yield significant changes in the surface area, porosity, pore volume, and morphology of the polymeric materials. The mutual solubility characteristics of the solvents, monomer units, and the polymeric resins contribute to the formation of porous materials with tunable pore structures and surface areas. The importance of the initiator solubility, surface effects, the temporal variation of solvent composition during polymerization, and temperature effects contribute to the variable physicochemical properties of the PCR materials. An improved understanding of the factors governing the mechanism of formation for PCR materials will contribute to the development and design of versatile materials with tunable properties for a wide range of technical applications.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,031
Tête enseignante GPT0,272
Écart entre enseignants0,241 · 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 source (Gemma direct ou Codex distillé), 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
GenreSynthèse

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

En bref

Citations70
Publié2012
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNanomaterialsMême sujetMesoporous Materials and CatalysisTravaux en français237 207