Morphological, thermal, and mechanical properties of cellulose nanocrystal reinforced poly(lactic acid) and poly(butylene adipate‐co‐terephthalate): A comparative study on common and novel solvent casting methods
Notice bibliographique
Résumé
Abstract The mechanical and thermal properties of semicrystalline (sc) and amorphous (a) poly(lactic acid), PLA, and poly(butylene adipate‐co‐terephthalate), PBAT, and their nanocomposites containing 1 and 3 wt% CNCs, prepared through solvent casting methods using one ( N , N ‐dimethylformamide [DMF]) or two (dimethyl sulfoxide (DMSO), and tetrahydrofuran (THF)) solvents were analyzed. Differential scanning calorimetry (DSC) showed that the total amount of crystals of the scPLA/CNC nanocomposites increased, whereas it decreased in the PBAT/CNC systems. In both cases, the crystallization temperature increased with CNC content. In tensile experiments, the Young modulus and yield strength of all nanocomposites were found to increase by incorporating CNCs, more significantly for the samples prepared using one solvent. The elongation at break of both PLA nanocomposites increased when prepared via one solvent, while it decreased for the two solvent methods as well as for PBAT nanocomposites prepared by both methods. The impact properties of the samples prepared by the two solvent methods decreased. In contrast, for the one solvent method, incorporating 3 wt% CNCs improved the impact properties by 32% and 9% in scPLA and aPLA, respectively, but decreased by 4% in PBAT nanocomposites. Also, in dynamic mechanical thermal analysis (DMA) the storage modulus of scPLA and PBAT/CNC systems increased significantly, especially in the rubbery region (5–85 MPa and 105–155 MPa, respectively). Using a percolation model, the strength of the percolating CNC was found to be dependent on temperature and affected by traces of solvent mostly in the scPLA nanocomposites.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».