Non‐isothermal crystallization of Ziegler Natta <i>i</i>‐PP‐graphene nanocomposite: DSC and new model prediction
Notice bibliographique
Résumé
Abstract Crystallization occurs in processing i ‐PP‐GnP nanocomposites, and these nanocomposites have the potential to replace traditional fillers and be used to fabricate advanced materials and technology. Therefore, this subject was comprehensively investigated by applying a recent crystallization model, non‐isothermal DSC experiments, Raman spectroscopy, and WAXRD. The multi‐layer GnP‐induced nucleation and the crystal growth rates were modelled. The overall modelling effort generated new insights, results, and explanations. This study confirmed and elucidated, or refuted several published conclusions. It has also been reported that the present model can pursue differences in catalyst‐mediated i ‐PP backbone defects (stereo and regio) by simulating the relative crystallization profile and determining the crystallization kinetic triplet ( n , k o , and E a ). The multiple roles played by GnP were underscored, which exceed what the related literature currently reports. The Raman and XRD work revealed the interaction between GnP and i ‐PP. The shear‐induced dispersion of GnP that occurs during extrusion significantly affected i ‐PP crystal size distribution. The present approach can also assess the effects of catalyst type and structure, and backbone defect types and their distribution on the non‐isothermal crystallization of, in general, polyolefin blends and nanocomposites.
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 | 0,000 | 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) | 0,000 | 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 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 ».