MétaCan
Menu
Retour à la cohorte
Enregistrement W3080217557 · doi:10.1021/acs.langmuir.0c01020

Spray-On Nanocomposite Coatings: Wettability and Conductivity

2020· article· en· W3080217557 sur OpenAlexaff
Alberto Baldelli, Junfei Ou, Wen Li, Alidad Amirfazli

Notice bibliographique

RevueLangmuir · 2020
Typearticle
Langueen
DomaineMaterials Science
ThématiqueSurface Modification and Superhydrophobicity
Établissements canadiensYork UniversityUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésMaterials scienceNanocompositeCoatingWettingCeramicComposite materialPolymerCarbon nanotubeChemical engineering

Résumé

récupéré en direct d'OpenAlex

Nanocomposite coatings, i.e., a combination of nanocompounds, and a polymer matrix together with suitable additives and solvents is a very versatile method for producing multifunctional coatings. Some of the most desired coating properties have a high repellency to liquids (e.g., superhydrophobic and/or superoleophobic) and electrical and thermal conductivities. From a practical perspective, coatings that can be sprayed are very suitable for large-scale production, conformity, and reduced time and cost. Carbon-based, metallic, and ceramic are the three groups of nanocompounds commonly used to formulate spray-on nanocomposite coatings. In this invited feature article, we discuss the applications, advantages, and challenges of using such nanocompounds to produce coatings with good water repellency or/and elevated electrical or/and thermal conductivities. We also discuss the role of additives and solvents briefly in relation to the properties of the coatings. Important spraying parameters, such as stand-off distance and its influence on the final coating properties, will also be examined. Our overall aim is to provide a guideline for the production of practical multifunctional nanocomposites utilizing carbon-based, metallic, or ceramic nanoparticles or nanofibers that covers both aspects of in-air wettability and conductivity under one umbrella.

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: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

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
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
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 Opus0,040
Tête enseignante GPT0,252
Écart entre enseignants0,212 · 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
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

Citations49
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLangmuirMême sujetSurface Modification and SuperhydrophobicityTravaux en français237 207