Stochastic Finite Element Analysis Framework for Modelling Electrical Properties of Particle-Modified Polymer Composites
Notice bibliographique
Résumé
Properties such as low specific gravity and cost make polymers attractive for many engineering applications, yet their mechanical, thermal, and electrical properties are typically inferior compared to other engineering materials. Material designers have been seeking to improve polymer properties, which may be achieved by adding suitable particulate fillers. However, the design process is challenging due to countless permutations of available filler materials, different morphologies, filler loadings and fabrication routes. Designing materials solely through experimentation is ineffective given the considerable time and cost associated with such campaigns. Analytical models, on the other hand, typically lack detail, accuracy and versatility. Increasingly powerful numerical techniques are a promising route to alleviate these shortcomings. A stochastic finite element analysis method for predicting the properties of filler-modified polymers is herein presented with a focus on electrical properties, i.e., conductivity, percolation, and piezoresistivity behavior of composites with randomly distributed and dispersed filler particles. The effect of temperature was also explored. While the modeling framework enables prediction of the properties for a variety of filler morphologies, the present study considers spherical particles for the case of nano-silver modified epoxy polymer. Predicted properties were contrasted with data available in the technical literature to demonstrate the viability of the developed modeling approach.
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) | 0,001 | 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 ».