Impact of Dispersion Processes and Surfactant on Performance of Silica-Silicone Nanocomposites
Notice bibliographique
Résumé
In this study, various silicone nanocomposites are studied to investigate the effects of filler treatments, such as calcination, use of surfactant, and mixing methods on filler dispersion and distribution. A two-part room temperature vulcanized silicone rubber is used as a base polymer and reinforcing nanofumed silica as a filler. A fixed filler concentration of 10 wt% has been selected for the comparative studies. The electrostatic disperser (ED) that is effective in mixing nanofillers is used to prepare the composites, with or without polyalkyleneoxide modified heptamethyltrisiloxane, the surfactant. Comparisons are also made with some samples prepared using the conventional high shear (HS) mixer. Fillers were used as obtained and/or after calcination at 500 °C. The performances of prepared nanocomposites are evaluated by comparing their thermal, mechanical, morphological, and dielectric properties. The thermogravimetric analysis (TGA) and mechanical properties, tensile strength and elongation at break, show that nanocomposites prepared using ED with calcined filler in the absence of surfactant have the highest thermal stability and tensile strength. Dielectric analyses, both at room temperature and elevated temperatures of 50 °C, 75 °C, and 100 °C, further show that those composites with calcined fillers in the absence of surfactant have lower relative permittivity and loss factor than those with surfactant. The observed differences in thermal, mechanical, and dielectric properties are related to the way fillers bond with the polymer matrix and additional interfaces created by the surfactant. The morphological analysis supports the empirical correlations derived.
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 | 0,001 |
| 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 ».