Tribological Capabilities of Graphene and Titanium Dioxide Nano Additives in Solid and Liquid Base Lubricants
Notice bibliographique
Résumé
In this study, the tribological behavior of both liquid (oil) and semi-liquid (grease) lubricants enhanced by multilayer graphene nano platelets and titanium dioxide nano powder was evaluated using ball-on-disk and shaft-on-plate tribo-meters. Oil samples for both 2D graphene nano platelets (GNP) and titanium nanopowders (TiNP) were prepared at three concentrations of 0.01 %w/w, 0.05 %w/w and 0.1 %w/w. In addition, 0.05% w/w mixtures of GNP and TiNP were prepared with three different ratios to analyze collective effects of both nano additives on friction and wear properties. For semi-liquid lubricants, 0.5% w/w concentrations were prepared for both nano additives for shaft-on-plate tests. Viscosity and oxidation stability tests were conducted on the liquid-base lubricants. Nano powders of both additive and substrate were analyzed using transmission electron microscopy (TEM) and scanning electron microscopy (SEM). In addition, Raman spectroscopy was conducted to characterize the graphene and titanium dioxide. The study shows that adding graphene and titanium dioxide individually sacrifices either the wear or friction of lubricants. However, use of both additives together can enhance friction resistance and wear preventive properties of a liquid lubricant significantly. For a semi-liquid lubricant, the use of both additives together and individually reduces friction compared to base grease.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 source (Gemma direct ou Codex distillé), 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 ».