Tailoring Multifunctional and Lightweight Hierarchical Hybrid Graphene Nanoplatelet and Glass Fiber Composites
Notice bibliographique
Résumé
In this work, hybrid polypropylene (PP)-based composites reinforced with graphene nanoplatelets (GnPs) and glass fiber (GF) were fabricated by injection molding to elucidate how the hybrid approach can produce synergistic effects capable of achieving properties and functionalities not possible in biphasic composites. Synergism between the reinforcements translated to improved mechanical performance, which was attributed to the chemically and/or electrostatically assembled hierarchical structure that facilitates load transfer at the interface while simultaneously tailoring the crystalline microstructure of the matrix by inducing transcrystallization and β-crystal formation. It was demonstrated that there exists an optimal concentration of 0.5 wt % GnP, producing the greatest mechanical properties and synergistic effect, corresponding to the highest degree of crystallinity (∼6% greater than Neat PP) and peak formation of β-crystals within the PP matrix. The greatest synergistic effect was found to be ∼52 and ∼39% for the specific tensile strength and flexural strength, respectively. The same optimal concentration of GnPs was found to produce the highest synergistic effect for thermal conductivity of ∼68% due to the volume exclusion effect induced by the GFs combined with the higher crystallinity of the microstructure, promoting the formation of thermally conductive pathways. Ultimately, the mechanisms contributing to the synergistic effect presented in this work can be used to maximize the performance of hybrid composite systems, giving them the potential to be tailored for a variety of high-performance industrial applications to meet the rising demands for ultra-strong, thermally conductive, and lightweight 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».