Biobased hybrid composite design for optimum hardness and wear resistance
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The present investigation considered the design of a biobased hybrid particulate composite for optimal hardness and wear resistance. Tests were conducted based on the plan of 20 sets of experiments generated through Model-Based Calibration Toolbox™ contained in MATLAB routines. A Portable Ultrasonic Hardness tester was used to record the hardness properties while the wear behavior of the composite was tested using a pin-on-disk machine. The optimization study was applied to the Calibration Generation (CAGE) platform utilizing the Normal Boundary Intersection (NBI) algorithm which enables the development of a Pareto optimal set with a continuous and equally distributed chart. Scanning Electron Microscopy (SEM) was used to perform morphological examination. From the optimized results, it was observed that a particle size of 1752 µm, a volume fraction of 45%, and a stirring time of 70 s gave the best-ranked composite exhibiting optimal values of 784.91 Leeb hardness, 643.19 Rockwell hardness, 593.17 Brinell hardness, and 0.000139 mm3/Nm specific wear rate. Under the same conditions, the predicted values of the optimization model closely matched the experimental results. The NBI optimization technique proves to be a viable method for performing material design and property improvement tasks. Surface morphology analysis via SEM revealed that the wearing of bio-based hybrid particulate composite parts is associated with delamination and abrasion mechanisms. It is implied that the new material can be used for applications such as furniture, automotive spare parts, and other inexpensive technical solutions.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,004 | 0,005 |
| 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 découle