MétaCan
Menu
Retour à la cohorte
Enregistrement W2223550206 · doi:10.2495/dne-v9-n3-237-244

Product development using vegetable fibers

2014· article· en· W2223550206 sur OpenAlexvenueno aff
Claudio Costa, Andrea Ratti, Barbara Del Curto

Notice bibliographique

RevueInternational Journal of Design & Nature and Ecodynamics · 2014
Typearticle
Langueen
DomaineMaterials Science
ThématiqueNatural Fiber Reinforced Composites
Établissements canadiensnon disponible
Organismes subventionnairesConselho Nacional de Desenvolvimento Científico e Tecnológico
Mots-clésEngineeringNew product developmentProduct designBiochemical engineeringProduct (mathematics)BusinessMathematics

Résumé

récupéré en direct d'OpenAlex

This article is a comprehensive review on the mechanical and tribological behavior of four plant fi bers (hemp, kenaf, coconut and broom) and the products design made based on these plant fi bers. The treatments and the chemical and physical characteristics of these types of plant fi bers are investigated to understand the applications in design fi eld. The application of plant fi bers are subject to many scientifi c and research projects, as well as many commercial projects. Data around these fi bers are being collected and analyzed to arrange them and add new value for future applications. In most studies, natural fi bers are used as replacement of traditional fi bers in fi ber-reinforced composites, or in automotive sector, geo textiles and other engineering fi elds. The research carried on is been organized so that mechanical and chemical-physical characteristics of these plant fi bers can be used in conjunction with previous studies, to give a new scenario for design applications. In general, natural fi bers have the advantages of biodegradability, low density, abundance and renewability, non-toxic nature, useful mechanical properties, and low cost. However, the main disadvantages of natural fi bers are (i) the poor compatibility between fi ber and matrix in composites and (ii) the relative high moisture sorption.

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 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 enseignants0,090
Score d'incertitude au seuil0,396

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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)0,0000,000

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 Opus0,013
Tête enseignante GPT0,253
Écart entre enseignants0,240 · 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.

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

Citations6
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Design & Nature and EcodynamicsMême sujetNatural Fiber Reinforced CompositesTravaux en français237 207