MétaCan
Menu
Retour à la cohorte
Enregistrement W3002629246 · doi:10.1016/j.jobab.2020.03.001

Superhydrophobic modification of cellulose and cotton textiles: Methodologies and applications

2020· article· en· W3002629246 sur OpenAlexaffvenue
David Wei, Haiying Wei, Alec C. Gauthier, Junlong Song, Yongcan Jin, Huining Xiao

Notice bibliographique

RevueJournal of Bioresources and Bioproducts · 2020
Typearticle
Langueen
DomaineMaterials Science
ThématiqueSurface Modification and Superhydrophobicity
Établissements canadiensUniversity of New Brunswick
Organismes subventionnairesnon disponible
Mots-clésCelluloseMaterials scienceCellulose fiberPolymer scienceFiberNanotechnologyComposite materialEngineeringChemical engineering

Résumé

récupéré en direct d'OpenAlex

Superhydrophobic cellulose-based products have immense potential in many industries where plastics and other polymers with hydrophobic properties are used. Superhydrophobic cellulose-based plastic is inherently biodegradable, renewable and non-toxic. Finding a suitable replacement of plastics is highly desired since plastics has become an environmental concern. Despite its inherent hydrophilicity, cellulose has unparalleled advantages as a substrate for the production of superhydrophobic materials which has been widely used in self-cleaning, self-healing, oil and water separation, electromagnetic interference shielding, etc. This review includes a comprehensive survey of the progress achieved so far in the production of super-hydrophobic materials based on cellulose and fiber networks. The methodologies and applications of superhydrophobic-modified cellulose and fiber networks are emphasized. Overall, presented herein is targeting on summarizing some of the aspects that are critical to advance this evolving field of science which may provide new ideas for the developing and exploring of superhydrophobic and green-based materials.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,057
Tête enseignante GPT0,275
Écart entre enseignants0,217 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations401
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Bioresources and BioproductsMême sujetSurface Modification and SuperhydrophobicityTravaux en français237 207