The polymer nanocomposite characteristics on various mixtures and mixing times in simple mixing method
Notice bibliographique
Résumé
Science and technological developments in the material field have been currently dedicated to a super strong material potential based on nanotechnology. The super strong material can be created from the mixture of epoxy-resin polymer and SiO2 (silicon dioxide) nanoparticles. Polymers exist as a nanoparticle adhesive due to nano-SiO2, which possesses a high amorphic level, resulting in a stronger, more flexible, and stiffer combination than the current super strong material. The advantages of nanocomposite polymer using epoxy- resin and nano-SiO2 produce strong and light products with an easier production process, utilizing local materials that can improve the following material quality. This study used four material variations, namely P30, P35, P40, and P45, combined with nanoparticles at 0%, 1%, 2%, 3%, and 4%. Based on the results, the highest compressive strength level was found on the PNK 40 EH2:1N1 mixture at 53.18 MPa with 1627 kg/m3 weight density. From the X-Ray Diffraction (XRD) test results, the following mixture had the lowest amorphic phase, while Fourier Transform Infra-Red (FTIR) test results showed that the following mixture absorbed more hydrogen elements, and Scanning Electron Microscope (SEM) observation on the following material mixture had more organized particle distribution.
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 | 0,000 | 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 ».