Enhanced Thermal Conductivity of Graphene Nanoplatelet–Polymer Nanocomposites Fabricated via Supercritical Fluid-Assisted in Situ Exfoliation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
As electronic devices become increasingly miniaturized, their thermal management becomes critical. Efficient heat dissipation guarantees their optimal performance and service life. Graphene nanoplatelets (GnPs) have excellent thermal properties that show promise for use in fabricating commercial polymer nanocomposites with high thermal conductivity. Herein, an industrially viable technique for manufacturing a new class of lightweight GnP–polymer nanocomposites with high thermal conductivity is presented. Using this method, GnP−high-density polyethylene (HDPE) nanocomposites with a microcellular structure are fabricated by melt mixing, which is followed by supercritical fluid (SCF) treatment and injection molding foaming, which adds an extra layer of design flexibility. Thus, the microstructure is tailored within the nanocomposites and this improves their thermal conductivity. Therefore, the SCF-treated HDPE 17.6 vol % GnP microcellular nanocomposites have a solid-phase thermal conductivity of 4.13 ± 0.12 W m –1 K –1 . This value far exceeds that of their regular injection-molded counterparts (2.09 ± 0.03 W m –1 K –1 ) and those reported in the literature. This dramatic improvement results from in situ GnPs’ exfoliation and dispersion, and from an elevated level of random orientation and interconnectivity. Thus, this technique provides a novel approach to the development of microscopically tailored structures for the production of lighter and more thermally conductive heat sinks for next generations of miniaturized electronic devices.
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.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découle