MétaCan
Menu
Retour à la cohorte
Enregistrement W2569970524 · doi:10.1021/acsnano.6b07678

Wear Protection without Surface Modification Using a Synergistic Mixture of Molecular Brushes and Linear Polymers

2017· article· en· W2569970524 sur OpenAlexafffund
Jimmy Faivre, Buddha Ratna Shrestha, Joanna Burdyńska, Guojun Xie, Florina Moldovan, Thierry Delair, Stéphane Benayoun, Laurent David, Krzysztof Matyjaszewski, Xavier Banquy

Notice bibliographique

RevueACS Nano · 2017
Typearticle
Langueen
DomaineMaterials Science
ThématiquePolymer Surface Interaction Studies
Établissements canadiensCentre Hospitalier Universitaire Sainte-JustineUniversité de Montréal
Organismes subventionnairesCanadian Institutes of Health ResearchInstitute of Musculoskeletal Health and ArthritisNatural Sciences and Engineering Research Council of CanadaCanada Research ChairsDivision of Materials ResearchArthritis Society
Mots-clésPolymerMaterials scienceLinear polymerShearing (physics)PolyelectrolyteSurface modificationPolymer scienceChemical engineeringComposite materialSurface forces apparatusPolymer chemistry

Résumé

récupéré en direct d'OpenAlex

We describe the design of lubricating and wear protecting fluids based on mixtures of bottle-brushes (BB) and linear polymer solutions. To illustrate this concept, we used hyaluronic acid (HA), a naturally occurring linear polyelectrolyte, and a water-soluble synthetic BB polymer. Individually, these two polymers exhibit poor wear protecting capabilities compared to that of saline solutions. Mixture of the two polymers in pure water or in saline allows the wear protection of surfaces over a wide range of shearing conditions to drastically increase. We demonstrate that this synergy between the BB and HA polymers emerges from a strong cohesion between the two components forming the boundary film due to entanglements between both polymers. We show that this concept can be applied to other types of linear polymers and surfaces and is independent of the chemical and mechanical properties of the surfaces.

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 seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
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)0,0010,000

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 Opus0,043
Tête enseignante GPT0,315
Écart entre enseignants0,272 · 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

Citations67
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueACS NanoMême sujetPolymer Surface Interaction StudiesTravaux en français237 207