MétaCan
Menu
Retour à la cohorte
Enregistrement W4311962737 · doi:10.3390/pr11010002

Experimental and Calculational Study on Effects of Flow Additive on Flowability of Fine Coating Particles

2022· article· en· W4311962737 sur OpenAlexaff
Danni Bao, Long Sang, Junqing Xie, Haiping Zhang, Hui Zhang, Jesse Zhu

Notice bibliographique

RevueProcesses · 2022
Typearticle
Langueen
DomaineMaterials Science
ThématiquePolymer Foaming and Composites
Établissements canadiensWestern University
Organismes subventionnairesnon disponible
Mots-clésMaterials scienceCoatingAngle of reposeComposite materialParticle sizePowder coatingChemical engineering

Résumé

récupéré en direct d'OpenAlex

A method of encapsulation of inorganic additives with organic materials was developed to improve the fine power flowability and film quality for powder coating. The flowability tests angle of repose (AOR) and avalanche angle (AVA) were conducted for the coating samples to characterize the effectiveness of the encapsulated additives on group C fine powder flowability. The results show that both AOR and AVA are significantly affected by the encapsulating materials, the encapsulating material weight percentage, as well as the total loading ratios of additives added in fine powders. Polyester shows the best performance on the modification of the additive due to the high similarity to host powder coating. AOR/AVA first decreases and then decreases with the encapsulating material weight. An optimum percentage exists at approximately 10%. A similar trend is observed with the additive loading ratio, and the minimal AOR/AVA is obtained at additive loading ratios between 0.5% and 0.8%. The effective surface area coefficient (η) was introduced to improve the adhesion force model to determine the optimum additive loading ratio for various host particle and additive particle sizes, which agrees well with the experimental results.

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)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
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)0,0020,000

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 Opus0,013
Tête enseignante GPT0,267
Écart entre enseignants0,254 · 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'étudeSimulation ou modélisation
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

Citations4
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProcessesMême sujetPolymer Foaming and CompositesTravaux en français237 207