Cellulose Nanocrystal Gels with Tunable Mechanical Properties from Hybrid Thermal Strategies
Notice bibliographique
Résumé
Gels are useful materials for drug delivery, wound dressings, tissue engineering, and 3D printing. These various applications require gels with different mechanical properties that can be easily tuned, also preferably excluding the use of chemical additives, which can be toxic or harmful to the body or environment. Here, we report a novel strategy to synthesize cellulose nanocrystal (CNC) gels with tunable mechanical properties. Sequential freeze-thaw cycling and hydrothermal treatments were applied to CNC suspensions in different orders to give a series of pristine CNC hydrogels. Freeze-drying of the hydrogels also afforded a series of lightweight CNC aerogels. The mechanical properties of the hydrogels and aerogels were studied by rheological measurements and compression strength tests, respectively. Specifically, the complex modulus of CNC hydrogels ranged from 160 to 32,000 Pa among eight different hydrogels, while Young's modulus of CNC aerogels was tuned from 0.114 to 3.98 MPa across five different aerogels. The microstructures of aerogels were also investigated by scanning electron microscopy and X-ray microtomography, which revealed remarkable differences between the materials. Solvent sorption-desorption tests showed that the reinforced networks have excellent stability over the basic CNC aerogels in ethanol, demonstrating a material enhancement from the preparation strategies we developed. Thermal conductivity and thermal stability for these materials were also investigated, and it was found that the lowest thermal conductivity was 0.030 W/m K, and all of the aerogels are generally stable below 280 °C. These characteristics also expand the potential applications of this family of CNC gels to lightweight supporting materials and thermal insulators.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».