Simple Strategies for Enhancement of the Strength of Lignin‐Based Nanofibrous Aerogels
Notice bibliographique
Résumé
Abstract Solvent fractionated lignin and cellulose nanocrystals (CNCs) are used to create highly resilient nanofiber‐based aerogel materials. Two fractions of softwood kraft lignin (SKL) are combined and subsequently electrospun into nanofibers composed of 99% lignin. Additionally, 5 wt.% of CNCs is added into the fiber, based on the solid lignin weight, to enhance the physical properties of the nanofiber materials. The manufacturing process involves dispersing the fibers in water followed by freeze‐drying and subsequent heat treatment. The heat treatment process, with carefully chosen blends of fractionated lignin with specific glass transition temperatures, provides an initial thermoplastic behavior that results in the physical cross‐linking of entangled fibers upon heat treatment. This tailored morphology shows four times higher compressive strength compared to lignin nanofiber materials that only contain high molecular weight fractions. Moreover, CNC is a critical additive that helps maintain fiber geometry by reducing significant softening of lignin under elevated temperatures. Therefore, the fibers with CNC additives ensure the 3D shape after heat treatment, resulting in enhanced physical connections at fiber junctions. As a result, lignin/CNC nanofibers are transformed into 3D structured, lightweight materials that can undergo near full recovery after repeated compressive strain matching the performance of some carbonized analogs.
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) | 0,000 | 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 ».