Sliding-friction wear of a seashell particulate reinforced polymer matrix composite: modeling and optimization through RSM and Grey Wolf optimizer
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this work we investigated the friction wear of a thermoplastic polymer (nylon-6) reinforced with particles of seashell. Seashells are made of calcium carbonate in the mineral form of calcite or aragonite, which makes them one of the most robust materials known. A twin-screw extruder was used to blend the seashell particles (SPs) and nylon-6, and an injection molding machine was used to fabricate the composite. Various proportions of SPs (12%, 15%, and 18%, by weight) were added to the nylon-6. We studied the wear of the polymer composites as per the standard ASTM G99, focusing on the loss of material due to wear, the friction coefficient, and the interface temperature. We used a response surface methodology (RSM) based Box–Behnken method (BBD) for our experimental design, and multiobjective analyses were performed incorporating desirability analysis. Our results show the following: the interface temperature was highly influenced by rotational speed (41.61%); the reinforcement with SPs (%) significantly (35.71%) affected the loss of material due to wear; and, the coefficient of friction (CoF) was significantly affected by rotational speed (41.48%) and reinforcement with SPs (18.18% w/w). A novel metaheuristic algorithm (Grey Wolf Optimizer) was used to constrain our optimizations, and the results showed that with CoF = 0.3 and an interface temperature of 25 °C as constraints, the loss due to wear was 35.77 μm for 15.09% w/w reinforcement with SPs, but at CoF = 0.3 and an interface temperature of 30 °C, the loss due to wear was 28.99 μm for 18% w/w reinforcement with SP.
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.
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) | 0,000 | 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 découle