The impact of vacuum pressure on the effectiveness of SiO2 impregnation of spruce wood
Notice bibliographique
Résumé
Abstract Wood is a widely used construction material that has many advantageous properties. However, it suffers from weaknesses such as low-dimensional stability and low durability in humid environments. These issues are associated with the porous vascular structure of wood that leads to a high water uptake capacity. This research aims to reduce the water uptake capacity of spruce wood by dip-coating samples in an aqueous colloid of silicon dioxide (SiO 2 ) nanoparticles. SiO 2 is a dense ceramic material with good chemical stability. It is readily available and affordable, making it an excellent candidate for this application. This study investigates the effect of SiO 2 impregnation on the physico-mechanical properties of spruce wood. Density measurements, water uptake tests, microscopy examination, thermogravimetric analysis, and dynamic mechanical analysis were conducted on non-treated and SiO 2 -treated spruce wood samples. Quantitative and qualitative analyses demonstrated that SiO 2 impregnation performed under higher vacuum pressure was more effective compared to the atmospheric condition and exhibited a greater presence of SiO 2 in the wood’s vascular system. SiO 2 impregnation under vacuum pressure demonstrated an effective increase in the density of the wood. It also reduced the porosity, which led to a significant reduction in the water uptake of the spruce wood. The analysis of the wood viscoelastic properties revealed that SiO 2 impregnation under atmospheric and vacuum conditions triggered two different reinforcing mechanisms. The results showed that a significant improvement of the spruce wood storage and loss moduli could be achieved when impregnation was performed at the highest vacuum pressure of − 90 kPa.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».