The effect of dispersant on toughening mechanism and structure behaviors of Polypropylene Nanocomposites reinforced with nano α-alumina particles
Notice bibliographique
Résumé
This article presents a comparative study on the effects of using nano α-alumina (Al 2 O 3 ) on toughening mechanisms and structural behaviors of polypropylene (PP) nanocomposites. The role of using dispersant in nanocomposite preparation was also investigated. For nanocomposite preparation, mixing of the elements was performed using a Haake Poly Drive blending machine at 175°C and the rotor speed of 50 rpm. The notched Izod impact energy obtained for PP was about 27 J/m and by the addition of nano α-Al 2 O 3 (4 wt%) to PP, the notched Izod impact energy increases up to ∼43 J/m. However, higher concentration of nano α-Al 2 O 3 in the nanocomposite resulted in the reduction of Izod impact property due to nano α-Al 2 O 3 agglomeration. Fourier transform infrared spectroscopy (FTIR) spectra of pure PP and PP/nano α-Al 2 O 3 composites demonstrated Al–O bond at 568 cm −1 for nanocomposite spectrum that indicates the creation of nano α-Al 2 O 3 particles. The x-ray diffraction patterns and FTIR spectra of PP/nano α-Al 2 O 3 composites showed that the intensity of the peaks when dispersant was used slightly increased and the arrangement of the peaks are normalized. This observation is attributed to homogeneous dispersion of nano α-Al 2 O 3 filler in the matrix when dispersant was used. Scanning electron micrograph of impact fractured surface showed that the fracture surface of PP/nano α-Al 2 O 3 composite becomes rougher with increasing the content of filler.
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) | 0,001 | 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) | 0,000 | 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 ».