MétaCan
Menu
Retour à la cohorte
Enregistrement W3092991881 · doi:10.3390/polym12102358

Development of Reinforced Polyester/Graphene Nanocomposite Showing Tailored Electrical Conductivity

2020· article· en· W3092991881 sur OpenAlexafffund
Federico Serenari, Milad Madinehei, Nima Moghimian, Davide Fabiani, Éric David

Notice bibliographique

RevuePolymers · 2020
Typearticle
Langueen
DomaineMaterials Science
ThématiqueGraphene research and applications
Établissements canadiensNanoXplore (Canada)École de Technologie Supérieure
Organismes subventionnairesMitacs
Mots-clésMaterials scienceComposite materialGraphenePercolation thresholdNanocompositeConductivityCompression moldingElectrical resistivity and conductivityElectrodeMolding (decorative)ThermoplasticCompoundingEpoxyPercolation (cognitive psychology)Nanotechnology

Résumé

récupéré en direct d'OpenAlex

Production process was chosen in order to be readily scalable at the industrial level. The resin/graphene mixture was prepared through high shear mixing at six different weight concentrations between 0% and 10%. Samples were subsequently produced by compression molding. The electrical properties were measured both in-the-plane and across-the-plane using, respectively, a four-point probe and a two-electrode system. The two-electrode system was a dielectric spectrometer, and accordingly, the across-the-plane measurements were conducted in the frequency-domain. Mechanical measurements were conducted using conventional three-point bending and impact setups. The percolation threshold was found to be in the range of 3-5 wt.% concentration, for which the conductivity showed a 7 orders of magnitude increase. These results were quite similar to the samples containing around 50 wt.% of glass fibers. Surprisingly, the in-the-plane conductivity was found to be lower than the bulk conductivity, contrary to what was found with the same filler for thermoplastic composites prepared by melt compounding. No significant increase in mechanical properties as a function of filler loading was observed, except maybe a slight increase in the material toughness.

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 enseignants0,004
Score d'incertitude au seuil0,434

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
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 Opus0,043
Tête enseignante GPT0,278
Écart entre enseignants0,235 · 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

Citations17
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePolymersMême sujetGraphene research and applicationsTravaux en français237 207