Silica Coating of Nonsilicate Nanoparticles for Resin-Based Composite Materials
Notice bibliographique
Résumé
). The hypothesis was that the coated nonsilicate nanoparticles would stably reinforce a polymeric matrix due to effective silanation. Silica coating was applied via a sol-gel method, with tetraethyl orthosilicate as a silica precursor, followed by heat treatment. The chemical and microstructural characteristics of the nanopowders were evaluated before and after silica coating through x-ray diffraction, BET (Brunauer-Emmett-Teller), energy-dispersive x-ray spectroscopy, field emission scanning electron microscopy, and transmission electron microscopy analyses. Coated and noncoated nanoparticles were silanated before preparation of hybrid composites, which contained glass microparticles in addition to the nanoparticles. The composites were mechanically tested in 4-point bending mode after aging (10,000 thermal cycles). Results of all chemical and microstructural analyses confirmed the successful obtaining of silica-coated nanoparticles. Two distinct aspects were observed depending on the type of nanoparticle tested: 1) formation of a silica shell on the surface of the particles and 2) nanoparticle clusters embedded into a silica matrix. The aged hybrid composites formulated with the coated nanoparticles showed improved flexural strength (10% to 30% higher) and work of fracture (35% to 40% higher) as compared with composites formulated with noncoated nanoparticles. The tested hypothesis was confirmed: silanated silica-coated nonsilicate nanoparticles yielded stable reinforcement of dimethacrylate polymeric matrix due to effective silanation. The silica-coating method presented here is a versatile and promising novel strategy for the use of crystalline nonsilicate ceramics as a reinforcing phase of polymeric composite biomaterials.
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 | 0,002 | 0,001 |
| 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 | 0,000 |
| 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 ».