Influence of Polishing Systems on Surface Roughness of Composite Resins: Polishability of Composite Resins
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
OBJECTIVES: study was to compare, with a threshold value of 200 nm, the surface roughness obtained when using 12 different polishing systems on four different composite resins (microfill, nanofill, and two nanohybrids). METHODS AND MATERIALS: A total of 384 convex specimens were made using Durafill VS, Filtek Supreme Ultra, Grandio SO, and Venus Pearl. After sandblasting and finishing with a medium-grit finishing disc, initial surface roughness was measured using a surface roughness tester. Specimens were polished using 12 different polishing systems: Astropol, HiLuster Plus, D♦Fine, Diacomp, ET Illustra, Sof-Lex Wheels, Sof-Lex XT discs, Super-Snap, Enhance/Pogo, Optrapol, OneGloss and ComposiPro Brush (n=8). The final surface roughness was measured, and data were analyzed using two-way analysis of variance. Pairwise comparisons were made using protected Fisher least significant difference. RESULTS: <0.05). The highest surface roughness was observed for all composite resins polished with OneGloss and ComposiPro Brush. Enhance/Pogo and Sof-Lex Wheels produced a mean surface roughness greater than the 200-nm threshold on Filtek Supreme Ultra, Grandio SO, and Venus Pearl. Data showed that there was an interaction between the composite resins and the polishing systems. CONCLUSIONS: A single polishing system does not perform equally with all composite resins. Except for Optrapol, multi-step polishing systems performed generally better than one-step systems. Excluding Enhance/Pogo, diamond-impregnated polishers led to lower surface roughness. Durafill VS, a microfill composite resin, may be polished more predictably with different polishers.
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 | 0,000 | 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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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