MétaCan
Menu
Retour à la cohorte
Enregistrement W2123937269 · doi:10.1002/polb.23908

Design of thermal hybrid composites based on liquid crystal polymer and hexagonal boron nitride fiber network in polylactide matrix

2015· article· en· W2123937269 sur OpenAlexaff
Shahriar Ghaffari Mosanenzadeh, Min Wen Liu, Hugo G. Palhares, Hani E. Naguib

Notice bibliographique

RevueJournal of Polymer Science Part B Polymer Physics · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueAdditive Manufacturing and 3D Printing Technologies
Établissements canadiensUniversity of New BrunswickUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésMaterials scienceComposite materialBoron nitrideThermal conductivityFiller (materials)FiberHexagonal boron nitridePolymerElectrical conductorGrapheneNanotechnology

Résumé

récupéré en direct d'OpenAlex

Development of high thermally conductive and electrically insulative composites is of interest for electronic packaging industry. Advancements in smaller and more compact electronic devices required improvements in packing materials, including their weight, thermal conductivity, and electrical resistivity. In addition, with the increasing environmental awareness, the usage of green (bio-based) alternatives was equally important. In the present study a hybrid based on fibers of highly concentrated hexagonal boron nitride (hBN) in liquid crystal polymer (LCP) matrix were fabricated. These hybrids were formed by arranging hBN platelets into LCP fiber form to reach high filler concentration and then randomly mix it in polylactide (PLA) matrix. With appropriate filler interaction within the hybrid, thermal conductivity similar to that of pure fiber could be achieved. Filler interaction may be tailored by optimizing the fibers aspect ratio. This study demonstrated the effect of random fillers in fibers shape in increasing the overall thermal conductivity of PLA polymeric hybrid using hBN and LCP fibers. © 2015 Wiley Periodicals, Inc. J. Polym. Sci., Part B: Polym. Phys. 2016, 54, 457–464

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
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 enseignants0,352
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,000
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 Opus0,020
Tête enseignante GPT0,240
Écart entre enseignants0,220 · 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.

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

Citations8
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Polymer Science Part B Polymer PhysicsMême sujetAdditive Manufacturing and 3D Printing TechnologiesTravaux en français237 207