Review on the Use of Nanofillers in Polyurethane Coating Systems for Different Coating Applications
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
Polyurethane (PU) is the most common, versatile and researched material in the world. It is widely used in many applications such as medical, automotive and industrial fields. It can be found in products such as furniture, coatings, adhesives, construction materials, Paints, elastomers, insulators, elastic fibres, foams, integral skins, etc. because it has extraordinary properties and the facility to tailor-made various formulations according to property requirement using different raw materials which are available. Though the material is having fascinating properties the material is also associated with various problems such as inferior coating properties. Inorganic pigments and fillers are dispersed in organic components and binders to improve different properties of the coating. This paper is intended to review the various nanofillers used in different PU coating systems. It gives a general introduction about the various fillers and it's classification, Mechanism by which the filler enhances the mechanical properties of the materials, various factors which affect the properties of the coatings. Various methods of incorporation of fillers in the coating systems are discussed. Various nanofillers such as SiO2(Silicon Dioxide), TiO2(Titanium Dioxide), AL2O3(Aluminium Oxide), antimony doped tin oxide (ATO), BaSO4(Barium Sulphate), FE2O3(Ferric Oxide) as well as carbon nanotubes, graphene derived fillers and nano-diamonds are discussed in detail. The importance and effect of surface modification of fillers to enhance coating properties are also discussed along with challenges associated with polyurethane coatings and future trends.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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