Improved Thermal Properties and Erosion Resistance of Silicone Composites With Hexagonal Boron Nitride
Notice bibliographique
Résumé
In this article, silicone rubber (SiR) is filled with industry preferred micro-silica and specialty hexagonal boron nitride (h-BN) nanosheets, by varying the ratio between the two fillers, while keeping the filler to matrix ratio the same in all three composites. The fillers are added to SiR using an electrostatic disperser which aids in homogenizing the filler-polymer mixture by means of shearing force along with elongation. The performance of synthesized silicone composites are evaluated using thermal, erosion resistance, morphological, mechanical, and high-temperature dielectric properties. Addition of as low as 5 wt% h-BN fillers significantly improved the thermal properties; 6%–20% improvement in thermal conductivity and in less than half the weight loss compared to only silica filled composites with laser erosion. The morphological and mechanical analyses showed improved filler dispersion and filler to silicone matrix interaction owing to good filler dispersion achieved through the electrostatic dispersing method. The dielectric properties measured in wide frequency range, between 10 <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">−4</sup> and 10 <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">3</sup> Hz and at elevated temperatures (up to 175 °C) showed a negligible effect of increase in h-BN content. Thus, this article implies that low amounts of h-BN in silica-silicone composites improve thermal conductivity and erosion resistance significantly and not altering the dielectric responses of these hybrid composites even at elevated temperatures. Hence these composites can find applications both in the high voltage industry and as electronic packaging materials.
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 | 0,001 | 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 ».