High‐Throughput Synthesis and Characterization of Aryl Silicones by Using the Piers–Rubinsztajn Reaction
Notice bibliographique
Résumé
Arylsilicones are widely exploited for their thermal and optical properties. The creation of phenylsilicone elastomers with specific physical properties is typically done by a "one-off" formulation and test process. Herein, it is demonstrated that high-throughput synthesis methods can be used to rapidly prepare a series of arylsilicone elastomers and then the relative impact of different aryl groups on their physical properties is assessed. Aromatic groups were incorporated into polydimethylsiloxane (PDMS) elastomers by exploiting the relative reactivity of different functional groups in the Piers-Rubinsztajn reaction. To analyze trends in the silicone mechanical properties as a function of increasing aryl concentration-structure/property relationships-libraries of elastomers were both quickly synthesized and characterized by using high-throughput suites starting from low viscosity silicone oils/monomers in 96-well plates. Liquid handling parameters were optimized to effectively work with the silicones. Incorporating aryl instead of alkyl crosslinkers into the PDMS backbone increased the silicone elastomer modulus by approximately 50 % (at a crosslink density of 6 %); elastomers prepared with an aromatic crosslinker with three contact points led to much higher moduli compared with those with one contact point at the same crosslink density. When located at precise rather than random points on the silicone chains, diphenylsilicones had lower moduli than analogous monophenylsilicones.
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) | 0,000 | 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 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 ».