MétaCan
Menu
Retour à la cohorte
Enregistrement W4280613782 · doi:10.1016/j.jmrt.2022.05.009

3D printing of metallic structures using dopamine-integrated photopolymer

2022· article· en· W4280613782 sur OpenAlexaff
Junfeng Xiao, Dongxing Zhang, Mingyue Zheng, Yang Bai, Yong Sun, Liwen Zhang, Qiuquan Guo, Jun Yang

Notice bibliographique

RevueJournal of Materials Research and Technology · 2022
Typearticle
Langueen
DomaineNeuroscience
ThématiqueNeuroscience and Neural Engineering
Établissements canadiensWestern University
Organismes subventionnairesScience, Technology and Innovation Commission of Shenzhen Municipality
Mots-clésMaterials science3D printingNanotechnologyHigh resolutionDigital Light ProcessingComputer scienceComposite material

Résumé

récupéré en direct d'OpenAlex

After 3D printing technology has been advancing for several years, it still faces a huge challenge to fabricate 3D metal structures with high-resolution. In this study, a facile strategy of making high-resolution metallic structures based on the bioinspired 3D printing method was proposed. A bioinspired initiator, dopamine, was mixed into a 3D printing photopolymer, which could be conducive to fabricating metallic structures after direct surface-initiated electroless plating (ELP). Because of the intrinsic high resolution of the structures printed with the digital light processing (DLP) technology, complex objects with a feature resolution on the order of 137 μm were fabricated. Moreover, Cu- and Ni-parts of complex structures with a high resolution were demonstrated. By combining the advantages of 3D printing in structure design with those of surface modification assisted by catechol groups, the proposed method was confirmed as a cost-effective method to significantly enhance the capability of 3D printing, and it could endow the 3D printing technology with more practical applications in electronics, acoustic absorption, catalyst supports and other fields.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,267

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,086
Tête enseignante GPT0,353
Écart entre enseignants0,267 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Materials Research and TechnologyMême sujetNeuroscience and Neural EngineeringTravaux en français237 207