MétaCan
Menu
Retour à la cohorte
Enregistrement W3125800032 · doi:10.22541/au.158517835.57789217

Versatile Snail-Inspired Superamphiphobic Coatings with Repeatable Adhesion and Recyclability

2020· dataset· en· W3125800032 sur OpenAlexaff
Zhenqiang Zhang, Danfeng Yu, Xiubin Xu, Hui Yang, Ian Wyman, Jinben Wang, Xu Wu

Notice bibliographique

RevueAuthorea · 2020
Typedataset
Langueen
DomaineEngineering
ThématiqueAdhesion, Friction, and Surface Interactions
Établissements canadiensQueen's University
Organismes subventionnairesNational Science and Technology Planning Project
Mots-clésMaterials scienceAdhesionNanotechnologyCoatingNanomaterialsAdhesiveRigidity (electromagnetism)Composite materialLayer (electronics)

Résumé

récupéré en direct d'OpenAlex

Superamphiphobic surfaces with extreme repellency toward both water and oily liquids have been developed from various nanocomposites with fluorinated compounds. However, the inherent rigidity and low-surface-energy of these composites restrict their adhesion and practical application in adjusting the surface wettabilities of materials. Here we report a strategy to create hybrid superamphiphobic coating with rapid contact adhesion to various kinds of substrates, strong and controllable adhesive strength, unprecedented capability of mechanical deformations, facile removal, repeatable adhesion, and simple recyclization. Our approach, inspired by snail's ideal combination of hard shell and soft epiphragm, is versatile and industrially-viable because we use the hydrogel primer to bond the fluorinated nanoparticle finish and substrates. Considering the unique characteristics of these coatings as well as the wide range of available hydrogels and nanomaterials that can be used via this approach, we envision that this snail-inspired strategy will facilitate the development and large-scale production of superamphiphobic coatings.

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)0,001
score de la tête « metaresearch » (Gemma)0,004
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: aucune
GenreSignal candidat: Jeu de données · Signal consensuel: Jeu de données
Score de désaccord entre enseignants0,028
Score d'incertitude au seuil0,094

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0020,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,004
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0280,027

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 Opus0,012
Tête enseignante GPT0,214
Écart entre enseignants0,202 · 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
GenreJeu de données

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAuthoreaMême sujetAdhesion, Friction, and Surface InteractionsTravaux en français237 207