Comparative study of tribological behaviours of different base greases enhanced by graphene nano platelets
Notice bibliographique
Résumé
Graphene is one of the strongest allotropes in carbon family.Applications of graphene are found in many industries such as coating, sensors, electronics, light processing, energy, and environmental sectors.Myriad studies have proven that graphene has excellent tribological capabilities.In fact, multilayer structure of graphene allows layers to shear between the mating surfaces to reduce friction.In addition, its extensive mechanical properties allow graphene particles to work as nano bearings to mitigate metal-to-metal contact and reduce wear.In this study, graphene nano particles were evaluated at 1%w/w concentration using the lithium-base general purpose grease (NL-1), the water proof general purpose grease (NL-2) and the extreme pressure grease (NL-3).To characterize graphitic defects and topography of graphene platelets, micro-Raman spectroscopy and transmission electron microscopy (TEM) were utilized at high magnification.For tribological evaluation, shaft-on-plate tribometer was used to test grease at different loads and rotating speeds.The results show that all three nano greases have lower average friction coefficient (AFC) in comparison with control sample (pure grease).Among them, the water resistive grease (NL-2) has the best performance followed by the extreme pressure grease (NL-3) and the lithium based grease (NL-1) respectively.
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 ».