MétaCan
Menu
Retour à la cohorte
Enregistrement W2900035382 · doi:10.1002/pen.24955

Improved part strength for the fused deposition 3D printing technique by chemical modification of polylactic acid

2018· article· en· W2900035382 sur OpenAlexafffund
Mohammed T. Alturkestany, Vishrut Panchal, Michael R. Thompson

Notice bibliographique

RevuePolymer Engineering and Science · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueAdditive Manufacturing and 3D Printing Technologies
Établissements canadiensMcMaster University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaSaudi Arabian Cultural Bureau
Mots-clésPolylactic acidMaterials scienceUltimate tensile strengthComposite materialBond strengthRheology3D printingFused deposition modelingBranching (polymer chemistry)PolymerAdhesionLayer (electronics)Adhesive

Résumé

récupéré en direct d'OpenAlex

Fused deposition method (FDM) is popular as a plastic 3D printing technique. One of the drawbacks of this technology is its low bonding strength between layers, reducing through‐plane mechanical properties of a part compared with in‐plane strength within the layers themselves. This study focuses on altering the molecular structure of a polylactic acid by chain extension to increase the adhesion strength between layers, quantified by peel testing, in order to increase overall part strength. Four different samples were prepared in a high shear mixer, processed into filament and printed by a FDM‐type 3D printer. These samples were characterized for their thermal, rheological, mechanical and adhesion properties. The findings showed that the chain extender‐modified resins exhibited higher layer‐to‐layer adhesion strength as well as increased viscosity corresponding to an increasing degree of branching. The interlayer diffusion and entanglement of newly created branch chain ends improved bonding between the printed layers resulting in higher tensile properties. POLYM. ENG. SCI., 59:E59–E64, 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 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 enseignants0,444
Score d'incertitude au seuil0,350

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 savante0,0000,000
Science ouverte0,0000,000
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 Opus0,010
Tête enseignante GPT0,220
Écart entre enseignants0,210 · 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

Citations15
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePolymer Engineering and ScienceMême sujetAdditive Manufacturing and 3D Printing TechnologiesTravaux en français237 207