Fracture Toughness of Resin Based Composites, Impregnated with Silver Nanoparticles and Bioactive Glass
Notice bibliographique
Résumé
OBJECTIVE: To investigate the effect, on fracture toughness (KIc), of impregnating silver nanoparticles (AgNPs) and bioactive glass (BAG) in resin based composites (RBCs). METHODOLOGY: During the period from August 2016 to May 2018, this study was performed at Peshawar Dental College (Pakistan) and Montreal University (Canada), using; a commercial RBC and experimental RBCs with or without BAG content (5-15wt%), and AgNPs (0.009%). Standardized specimens (n=6) were made in each of five RBCs (G1-G5). AgNPs were synthesized and characterized by uv-vis spectroscopy. With universal testing machine, the KIc for RBCs specimens was computed. SEM and dynamic light scattering (DLS) was used to assess the size and form of the prepared silica. One-way ANOVA and Tukey post hoc test were used for data analyses. RESULTS: KIc values varied both within and between RBCs groups. The commercial RBC had highest mean KIc (G1=1.03+0.24). Mean KIc values for the experimental RBCs were; G2=0.69±0.14, G3=0.9±0.13, G4=0.9±0.14 and G5=0.69±0.13. The only RBC groups that had statistically significant variations between their mean KIc values were; G1-G2 (p=0.017) & G1-G5 (p=0.017). SEM and DLS analysis of synthesized silica particles having round shape and sizes of 0.9-1µm. Uv-vis spectroscopy of AgNPs showed round shape with size up to 20nm. CONCLUSION: The KIc of the experimental RBCs with BAG (5-10 wt%) and AgNPs (0.009%) was not significantly different than the commercial RBC. KEYWORDS: Resin based composites, RBCs, Silver nanoparticles, AgNPs, Bioactive glass, BAG, Re-mineralizing resin based composite, Fracture toughness, KIc HOW TO CITE: Hanif A, Ghani F. Fracture toughness of resin based composites, impregnated with silver nanoparticles and bioactive glass. J Pak Dent Assoc 2020;29(4):179-184.
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 ».