Statistical optimization of compatibilized blends of poly(lactic acid) and acrylonitrile butadiene styrene
Notice bibliographique
Résumé
ABSTRACT A mixture design of experiment and subsequent regression analysis was used to study the effects of two additives on blends of poly(lactic acid) (PLA) and acrylonitrile butadiene styrene (ABS). Statistical analysis was used to find a blend with a balance of high toughness, strength, and stiffness. The blends were prepared by lab scale reactive extrusion and injection molding. Least‐square regression models of statistically significant effects were built by analysis of variance (ANOVA). Using these models, optimization studies were used to study the predicted maximum values of each measurement criteria. Very large increases were seen in the measured responses with relatively small changes in additive content. Compared to the neat blend without additives, the impact strength was increased by over 600%, the elongation at break was increased by over 1000%, the tensile strength increased by 11%, and the tensile modulus increased by over 7%. Surprisingly, the composite optimization, which included all measured criteria, occurred at a point that allowed all four criteria values to remain very close to their individual maximums. The result is a partially biobased blend that does not sacrifice strength or stiffness to achieve very high toughness. © 2016 The Authors Journal of Applied Polymer Science Published by Wiley Periodicals, Inc. J. Appl. Polym. Sci. 2017 , 134 , 44516.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».