MétaCan
Menu
Retour à la cohorte
Enregistrement W2149133272 · doi:10.1002/aic.14716

Engineering biomass into formaldehyde‐free phenolic resin for composite materials

2014· article· en· W2149133272 sur OpenAlexafffund
Yongsheng Zhang, Zhongshun Yuan, Chunbao Xu

Notice bibliographique

RevueAIChE Journal · 2014
Typearticle
Langueen
DomaineEngineering
ThématiqueLignin and Wood Chemistry
Établissements canadiensWestern University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaFPInnovationsU.S. Environmental Protection Agency
Mots-clésOrganosolvCuring (chemistry)FormaldehydeLigninPhenolDifferential scanning calorimetryComposite numberChemistryPhenol formaldehyde resinThermal stabilityKraft paperChemical engineeringOrganic chemistryMaterials sciencePolymer chemistryComposite material

Résumé

récupéré en direct d'OpenAlex

The use of formaldehyde to prepare phenol‐formaldehyde (PF) resins is one of the primary challenges for the world‐wide PF industry with respect to both sustainability and human health. This study reports a novel one‐pot synthesis process for phenol‐5‐hydroxymethylfurfural (PHMF) resin as a formaldehyde‐free phenolic resin using phenol and glucose, and the curing of the phenolic resin with a green curing agent organosolv lignin (OL) or Kraft lignin (KL). Evidenced by 13C NMR, the curing mechanism involves alkylation reaction between the hydoxyalkyl groups of lignin and the ortho‐ and para‐carbon of PHMF phenolic hydroxyl group. The curing kinetics was studied using differential scanning calorimetry and the kinetic parameters were obtained. The OL/KL cured PHMF resins were tested in terms of thermal stability, and mechanical properties for their applications in fiberglass reinforced composite materials. The results obtained demonstrated that OL/KL can be promising curing agents for the PHMF resins. © 2015 American Institute of Chemical Engineers AIChE J, 61: 1275–1283, 2015

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,001
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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 Opus0,004
Tête enseignante GPT0,188
Écart entre enseignants0,184 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations51
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAIChE JournalMême sujetLignin and Wood ChemistryTravaux en français237 207