Investigation of Multicomponent Fluoridated Borate Glasses through a Design of Mixtures Approach
Notice bibliographique
Résumé
Due to their enhanced dissolution, solubility and reaction speed, borate glasses offer potential advantages for the design and development of therapeutic ion-release systems. However, the field remains poorly understood relative to traditional phosphosilicate and silicate bioglasses. The increased structural complexity and relative lack of published data relating to borates, particularly borofluorates, also decreases the accuracy of artificial intelligence models, which are used to predict glass properties. To develop predictive models for borofluorate networks, this paper uses a design of mixtures approach for rapid screening of composition–property relationships, including the development of polynomial equations that comprehensively establish the predictive capabilities for glass transition, density, mass loss and fluoride release. A broad range of glass compositions, extending through the boron anomaly range, were investigated, with the inclusion of 45 to 95 mol% B2O3 along with 1–50 mol% MgO, CaO and Na2O as well as 1–30% KF and NaF. This design space allows for the investigation of the impact of fluorine as well as mixed alkali–alkaline earth effects. Glass formation was found to extend past 30 mol% KF or NaF without a negative impact on glass degradation in contrast to the trends observed in phosphosilicates. The data demonstrates that fluoroborate materials offer an exceptional base for the development of fluoride-releasing 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 | 0,000 | 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 ».