Texture formation under phase ordering and phase separation in polymer-liquid crystal mixtures
Notice bibliographique
Résumé
Computational modeling of texture formation in coupled phase separation-phase ordering processes in polymer/liquid crystal mixtures is performed using a unified model based on the nematic tensor order parameter and gradient orientation elasticity. The computational methods are able to resolve defect nucleation, defect-defect interactions, and defect-particle interactions, as well as global and local morphological features in the concentration and order parameter spatiotemporal behavior. Biphasic structures corresponding to polymer dispersed liquid crystals (PDLCs), crystalline filled nematic (CFNs), and random filled nematics (RFNs) are captured and analyzed using liquid crystal defect physics and structure factors. Under spinodal decomposition due to concentration fluctuations, the PDLC structure emerges, and the nucleation and repulsive interaction of defects within nematic droplets leads to bipolar nematic droplets. Under spinodal decomposition due to ordering fluctuations, the CFNs structure emerges, and the stable polymer droplet crystal is pinned by a lattice of topological defects. For intermediate cases, where the mixture is unstable to both concentration and nematic order fluctuations, the RFN structure emerges, and polymer droplets and fibrils are pinned by a defect network, whose density increases with the curvature of the polymer-liquid crystal interface. The simulations provide an information of the role of topological defects on phase separation-phase ordering processes in polymer-liquid crystal mixtures.
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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».