Hardness of chemically densified Yellow birch in relation to wood density, polymer content and polymer properties
Notice bibliographique
Résumé
Abstract Density of wood can be increased by filling its porous structure with polymers. Such densification processes aim to increase hardness of wood and are particularly interesting for flooring applications. This study aims to evaluate efficiency of different polymers for chemical densification based on the polymer properties. Yellow birch ( Betula alleghaniensis Britt.) was chemically densified with seven monomer mixtures through acrylate monomer impregnation and electron beam in-situ polymerization. Chemical retention and polymer content of densified woods were recorded. Hardness of treated and untreated Yellow birch was measured and compared to hardness of Jatoba ( Hymenaea courbaril L.). All densified woods showed higher or comparable hardness to Jatoba. Hardness of densified wood was analyzed in relation to initial density of wood and polymer content of the material using multivariable linear mixed models. Efficiency of polymers for chemical densification was evaluated through effect of polymer content on hardness with interaction coefficients. Polymer films corresponding to monomer impregnating mixtures were prepared through low energy electron beam and characterized by their glass transition temperature, micro hardness, indentation modulus and crosslinking density. Polymers showed statistically significantly different efficiencies and were separated in two main groups. Overall, polymer efficiency increased with increasing glass transition temperature of polyacrylates.
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 ».