MétaCan
Menu
Retour à la cohorte
Enregistrement W3157464971 · doi:10.6000/1929-5995.2021.10.3

The Effect of Aluminium Surface Treatments on the Bonding Properties of Silica-Modified Epoxy Adhesive Joints: A Statistical Approach

2021· article· en· W3157464971 sur OpenAlexvenueno aff
Francisco M. dos Santos, Lívia Ávila de Oliveira, Alysson Helton Santos Bueno, Rodrigo Teixeira Santos Freire, Leandro José da Silva, Gilberto García del Pino, Túlio Hallak Panzera

Notice bibliographique

RevueJournal of Research Updates in Polymer Science · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueMechanical Behavior of Composites
Établissements canadiensnon disponible
Organismes subventionnairesFundação de Amparo à Pesquisa do Estado de Minas GeraisConselho Nacional de Desenvolvimento Científico e TecnológicoCoordenação de Aperfeiçoamento de Pessoal de Nível Superior
Mots-clésMaterials scienceComposite materialAdhesivePrimer (cosmetics)AluminiumShear strength (soil)Surface roughnessScanning electron microscopeEpoxyDegreasingLap jointSurface finishAdhesive bondingLayer (electronics)

Résumé

récupéré en direct d'OpenAlex

A full factorial design is carried out to investigate the effects of different surface treatments, the inclusion of silica microparticles and the use of wash primer on the apparent shear strength and adherent strength of single-lap aluminium joints. Scanning electron microscopy, surface energy and roughness measurements are performed to characterise the aluminium surface. The results show that the use of wash primer decreases the apparent shear strength of the joints significantly. The cohesive failure of the primer is the main cause of the reduction in strength. On the other hand, the inclusion of 10 wt.% of silica microparticles in the adhesive layers increases the shear strength by 26%. Surfaces treated with NaOH for one minute, without using a wash primer, result in the most resistant joint. In contrast to the apparent shear strength, adherent strength is most effective when only degreasing is considered.

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)0,005
score de la tête « metaresearch » (Gemma)0,002
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 enseignants0,005
Score d'incertitude au seuil0,411

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
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 Opus0,050
Tête enseignante GPT0,338
Écart entre enseignants0,288 · 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

Citations3
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Research Updates in Polymer ScienceMême sujetMechanical Behavior of CompositesTravaux en français237 207