MétaCan
Menu
Retour à la cohorte
Enregistrement W2581180273 · doi:10.1155/2017/5637248

Adhesive Through-Reinforcement Improves the Fracture Toughness of a Laminated Birch Wood Composite

2017· article· en· W2581180273 sur OpenAlexafffund
Wenchang He, Philip D. Evans

Notice bibliographique

RevueAdvances in Materials Science and Engineering · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueMechanical Behavior of Composites
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesChina Scholarship CouncilFPInnovationsAustralian National University
Mots-clésMaterials scienceComposite materialReinforcementAdhesiveComposite numberFracture toughnessVeneerToughnessFracture (geology)Layer (electronics)

Résumé

récupéré en direct d'OpenAlex

In this paper we test the hypothesis that adhesive through-reinforcement in combination with glass-fibre reinforcement of adhesive bond lines will significantly improve the fracture toughness of a laminated birch wood composite. We test this hypothesis using a model composite consisting of perforated veneer that allowed a polyurethane adhesive to penetrate and reinforce veneers within the composite. Model composite specimens were tested for mode I fracture properties, and scanning electron microscopy was used to examine the microstructure of fracture surfaces. Our results clearly show that through-reinforcement, and also reinforcing adhesive bond lines with glass-fibre, significantly improved fracture toughness of the birch wood composite. Our results also indicate that improvements in fracture toughness depended on the level of reinforcement. Improvements in fracture toughness were related to the ability of the reinforcement to arrest crack development during fracture testing and the fibre bridging effect of glass-fibre in adhesive bond lines. We conclude that through-reinforcement is an effective way of improving the fracture toughness of laminated wood composites, but further research is needed to develop practical ways of creating such reinforcement in composites that more closely resemble commercial products.

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)0,000
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 enseignants0,019
Score d'incertitude au seuil0,442

Scores Codex et Gemma par catégorie

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 savante0,0000,001
Science ouverte0,0010,000
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 Opus0,008
Tête enseignante GPT0,254
Écart entre enseignants0,246 · 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

Citations2
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAdvances in Materials Science and EngineeringMême sujetMechanical Behavior of CompositesTravaux en français237 207