Nanocomposite of Fullerenes and Natural Rubbers: MARTINI Force Field Molecular Dynamics Simulations
Notice bibliographique
Résumé
The mechanical properties of natural rubber (NR) composites depend on many factors, including the filler loading, filler size, filler dispersion, and filler-rubber interfacial interactions. Thus, NR composites with nano-sized fillers have attracted a great deal of attention for improving properties such as stiffness, chemical resistance, and high wear resistance. Here, a coarse-grained (CG) model based on the MARTINI force field version 2.1 has been developed and deployed for simulations of cis-1,4-polyisoprene (cis-PI). The model shows qualitative and quantitative agreement with the experiments and atomistic simulations. Interestingly, only a 0.5% difference with respect to the experimental result of the glass transition temperature (Tg) of the cis-PI in the melts was observed. In addition, the mechanical and thermodynamical properties of the cis-PI-fullerene(C60) composites were investigated. Coarse-grained molecular dynamics (MD) simulations of cis-PI-C60 composites with varying fullerene concentrations (0–32 parts per hundred of rubber; phr) were performed over 200 microseconds. The structural, mechanical, and thermal properties of the composites were determined. The density, bulk modulus, thermal expansion, heat capacity, and Tg of the NR composites were found to increase with increasing C60 concentration. The presence of C60 resulted in a slight increasing of the end-to-end distance and radius of the gyration of the cis-PI chains. The contribution of C60 and cis-PI interfacial interactions led to an enhancement of the bulk moduli of the composites. This model should be helpful in the investigations and design of effective fillers of NR-C60 composites for improving their properties.
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) | 0,001 | 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 ».