MétaCan
Menu
Retour à la cohorte
Enregistrement W3179496977 · doi:10.1126/sciadv.abc5028

Damage-tolerant 3D-printed ceramics via conformal coating

2021· article· en· W3179496977 sur OpenAlexaff
Seyed Mohammad Sajadi, Lívia Vásárhelyi, Reza Mousavi, Amir Hossein Rahmati, Zoltán Kónya, Ákos Kukovecz, Taib Arif, Tobin Filleter, Róbert Vajtai, Peter J. Boul, Zhenqian Pang, Teng Li, Chandra Sekhar Tiwary, Muhammad M. Rahman, Pulickel M. Ajayan

Notice bibliographique

RevueScience Advances · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueAdditive Manufacturing and 3D Printing Technologies
Établissements canadiensUniversity of Toronto
Organismes subventionnairesRice University
Mots-clésConformal coatingCeramicCoatingMaterials scienceToughnessConformal map3d printedComposite materialDamage tolerancePolymerBiomedical engineeringComposite numberEngineeringGeometryMathematics

Résumé

récupéré en direct d'OpenAlex

Ceramic materials, despite their high strength and modulus, are limited in many structural applications due to inherent brittleness and low toughness. Nevertheless, ceramic-based structures, in nature, overcome this limitation using bottom-up complex hierarchical assembly of hard ceramic and soft polymer, where ceramics are packaged with tiny fraction of polymers in an internalized fashion. Here, we propose a far simpler approach of entirely externalizing the soft phase via conformal polymer coating over architected ceramic structures, leading to damage tolerance. Architected structures are printed using silica-filled preceramic polymer, pyrolyzed to stabilize the ceramic scaffolds, and then dip-coated conformally with a thin, flexible epoxy polymer. The polymer-coated architected structures show multifold improvement in compressive strength and toughness while resisting catastrophic failure through a considerable delay of the damage propagation. This surface modification approach allows a simple strategy to build complex ceramic parts that are far more damage-tolerant than their traditional counterparts.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
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: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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 Opus0,010
Tête enseignante GPT0,242
Écart entre enseignants0,232 · 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
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

Citations96
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScience AdvancesMême sujetAdditive Manufacturing and 3D Printing TechnologiesTravaux en français237 207