Effect of Surface Patterning on the Adhesive Friction
Notice bibliographique
Résumé
Tribological properties play an important role in many applications that require low adhesion or non sticking surfaces; therefore, understanding the effect of the surface morphology on adhesion can allow for improved surfaces to be created. In the last 10 years, researchers have paid attention to the impact of the surface roughness on the tribological behaviour. As a result the idea of surface pattering or texturing has emerged as a mean of controlling the friction and adhesion between contacting surfaces. In this study, the effect of the different surface patterns with specifically selected parameters, such as the pattern size, and pattern density on the adhesion force which is measured by Atomic Force Microscope (AFM) is thoroughly investigated. First, micro laser dimples of different diameters’ (D’s) of 5, 10 and 20 μm are fabricated on air hardened tool steel samples using High quality–high power CuBr vapour laser. The distance (L), between the centers of two neighbouring circular dimples, were set to different values of 5, 10, 20, 40 and 80 μm. The AFM tip is modified so that the effect of the patterning on the adhesive force can be captured. A customized micro fabricated polystyrene particle of 120 μm in diameter is used as a tip attachment to the end of calibrated silicon nitride cantilever. The pull-off force versus displacement curves are recorded and used to estimate the average adhesion force for each surface pattern. It has been observed that selected surface patterns significantly decrease the adhesive forces compared to a flat surface. The ratio D/L, which represents the pattern density or the complement of the contact area establishes a well-defined trend of decrease of the adhesion force as D/L increases.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».