MétaCan
Menu
Retour à la cohorte
Enregistrement W3036731325 · doi:10.1103/physreve.101.062705

Mechanogeometry of nanowrinkling in cholesteric liquid crystal surfaces

2020· article· en· W3036731325 sur OpenAlexafffund
Ziheng Wang, Phillip Servio, Alejandro D. Rey

Notice bibliographique

RevuePhysical review. E · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Materials and Mechanics
Établissements canadiensMcGill University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésMaterials scienceLiquid crystalCurvatureBendingSurface (topology)Composite materialCholesteric liquid crystalStress (linguistics)Crystal (programming language)GeometryNanotechnologyComputer science

Résumé

récupéré en direct d'OpenAlex

Biological plywoods are multifunctional fibrous composites materials, ubiquitous in nature. The chiral fibrous organization is found in chitin (insects), cellulosics (plants), and collagen I (cornea and bone of mammals) and is a solid analog of that of cholesteric liquid crystals. The surface and interfaces of plywoods are distinguished by hierarchical topographies and nanowrinkling. In this paper, we present a theory to model the emergence of these surfaces and interfaces using liquid crystal-based shape equations that directly connect material properties with geometric wrinkling. The model applies to liquid crystal precursors of the plywood solid analoges. We focus on wrinkling geometry, wrinkling mechanics, and the mechanogeometry relationships that underlie multifunctionality ubiquitous in biological surfaces. Scaling wrinkling laws that connect mechanical pressures and stresses to folding and bending are formulated and quantified. A synthesis of the connections between mechanics and geometry is achieved using the topology of stress curves and curvature of the wrinkles. Taken together the results show that anchoring is a versatile surface morphing mechanism with a rich surface bending stress field, two ingredients behind many potential multifunctionalities.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,416

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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)0,0000,000

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 Opus0,016
Tête enseignante GPT0,273
Écart entre enseignants0,257 · 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 tête enseignante, 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
GenreEmpirique

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

En bref

Citations7
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePhysical review. EMême sujetAdvanced Materials and MechanicsTravaux en français237 207