Morphological Characterization by SEM, TEM and AFM of Nanoparticles and Functional Nanocomposites Based on Natural Rubber Filled with Oxide Nanopowders
Notice bibliographique
Résumé
Nanocomposites were prepared from mixture of different concentrations of ferroelectric nanoparticles in an elastomeric matrix based on the vulcanized natural rubber. The morphological characterization of nanocomposites was carried out using Scanning electron microscopy (SEM), Transmission electron microscopy (TEM) and Atomic force microscopy (AFM). The nanocrystalline ferroelectric oxide is potassium strontium niobate (KSN) with stoichiometry KSr 2 Nb 5 O 15 , and was synthesized by the chemical route using a modified polyol method, obtaining particle size and microstrain equal to 20 nm and 0.32, respectively. These ferroelectric nanoparticles were added into the natural rubber in concentrations equal to 1, 3, 5, 10, 20 and 50 phr (parts per hundred of rubber) forming ferroelectric nanocomposites (NR/KSN). Using morphological characterization, we identified the maximum value of surface roughness at low concentrations, in particular, sample with 3 phr of nanoparticles and factors such as encapsulation and uniformity in the distribution of nanoparticles into the natural rubber matrix are investigated and discussed.
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 | 0,001 | 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 | 0,001 |
| 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) | 0,000 | 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 ».