Effect of fiber and polymer variability on the rheological properties of wood polymer composites during processing
Notice bibliographique
Résumé
We investigated the effects of fiber variability, size and content on the fusion characteristics of wood particle‐reinforced high‐density polyethylene (HDPE). Five types of wood sawdust were used: eastern white cedar, with sapwood, and heartwood treated separately; jack pine divided into wood and bark; and black spruce. Three different fiber length classes were also used. Composite pellets containing wood particles at 25, 35, and 45% by weight with HDPE were made using a co‐rotating twin‐screw extruder. The pellets were melted and mixed during 7 min in a torque rheometer at 180°C. We also investigated the polymer variation using HDPE, polypropylen (PP), polyvinyl chloride (PVC), and a blend of (80% HDPE+ 20% PP) where wood fiber proportion and length were kept constant. We varied the mixing temperature to reach the melting temperature range of each polymer. Mixing and melting times, maximum torque and stabilized torque were obtained. Adding wood fibers to the HDPE increased processing time and torque energy. At constant fiber length and proportion, torque properties varied with fiber origin. Higher fiber length and proportion increased torque energy and time of stabilization. Thus, using wood fibers with different properties will lead to significant variations in processing, such as in extrusion or injection. The fusion characteristics of wood polymer composite vary among polymers. The PVC showed the highest steady‐state torque. The formulation containing a polymer blend of HDPE and PP showed the highest torque energy. This higher torque energy is explained by the interaction of the incompatible polymeric chains of the two thermoplastic polymers. POLYM. COMPOS., 40:E609–E616, 2019. © 2018 Society of Plastics Engineers
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».