MétaCan
Menu
Retour à la cohorte
Enregistrement W4297540297 · doi:10.1002/cjce.24683

Producing asphaltene fibres from bitumen‐derived asphaltenes for carbon fibre development: Part one–Electrospinning

2022· article· en· W4297540297 sur OpenAlexafffundvenue
Antonio G. De Crisci, Rafał Gieleciak, Md Hosnay Mobarok, Mohamed I. Hassan Ali, Tri Dung Ngo, Keyur Goswami, Ataullah Khan, Jinwen Chen

Notice bibliographique

RevueThe Canadian Journal of Chemical Engineering · 2022
Typearticle
Langueen
DomaineMaterials Science
ThématiqueElectrospun Nanofibers in Biomedical Applications
Établissements canadiensAlberta InnovatesNatural Resources Canada
Organismes subventionnairesNatural Resources CanadaGovernment of Canada
Mots-clésAsphalteneChemical engineeringMaterials scienceElectrospinningCarbon fibersVanadiumTolueneSpinningSulfurAsphaltFiberComposite materialChemistryPolymerOrganic chemistryMetallurgy

Résumé

récupéré en direct d'OpenAlex

Abstract Bitumen‐derived asphaltenes are rich in carbon but of low value and contain other elements such as nitrogen, sulphur, oxygen, vanadium, and nickel. Their use as a feedstock for producing carbon fibre (CF) is largely under‐investigated. In this study, electrospinning was used to create asphaltene fibres (AFs), which is a pre ‐ carbon fibre material, from asphaltenes. Various operational parameters were investigated in order to improve the spinning abilities, such as the concentration of asphaltenes in toluene, pumping rate, voltage, and distance between the tip of the needle to the collector. Results indicated that asphaltenes concentrations had the greatest effect on the quality of the produced AFs, with the range of asphaltenes concentrations from 45 to 50 wt.% being suitable for producing the AFs, while voltage, pumping rate, and tip distance had less of an effect on electrospun AF production.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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)0,0010,000

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 Opus0,012
Tête enseignante GPT0,201
Écart entre enseignants0,190 · 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 source (Gemma direct ou Codex distillé), 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

Citations11
Publié2022
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueThe Canadian Journal of Chemical EngineeringMême sujetElectrospun Nanofibers in Biomedical ApplicationsTravaux en français237 207