MétaCan
Menu
Retour à la cohorte
Enregistrement W4320062619 · doi:10.1115/iam2022-93944

Food Contact Materials: An Analysis of Water Absorption in Nylon 12 3D Printed Parts Using SLS After VaporFuse Surface Treatment

2022· article· en· W4320062619 sur OpenAlexaff
Elizabeth Cristine Adam Trindade, Camille Ruest, Jean‐Sébastien Deschênes, Jean Brousseau

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueAdditive Manufacturing and 3D Printing Technologies
Établissements canadiensUniversité du Québec à Rimouski
Organismes subventionnairesnon disponible
Mots-clésMaterials scienceContact angleAbsorption of waterWettingComposite materialSurface roughnessInertNylon 6Absorption (acoustics)PorositySurface finishCeramicSelective laser sinteringSinteringPolymer

Résumé

récupéré en direct d'OpenAlex

Abstract Selective laser sintering (SLS) is a typical method of 3D printing in an industrial environment. It is often used to print different materials, such as metals, ceramics, and plastics. Nylon 12 is the most common plastic and material processed by SLS technology. In the present paper, the water absorption and wettability of Nylon 12 in additive manufacturing (AM) products are explored. The research for obtaining inert, non-absorbent and non-corrosive surfaces, and globally more effective materials to reduce the proliferation of microorganisms is becoming a necessity for the development of novel food contact materials. Surface treatments aim at improving the porosity and general roughness of the material and are expected to improve its hydrophobicity. The wetting state between Nylon 12 and water was studied by measuring the contact angles as primary data. The measurement of absorbed water (ASTM 570) is thus used as an indicator of material quality to prevent bacterial growth and degradation of the material mechanical properties. Therefore, water absorption tests were performed with SLS printed plates with and without surface treatment. Plates with surface treatment showed a mass increase of 0.35 ± 0.04% while those without surface treatment showed a mass increase of 0.76 ± 0.08%.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,699
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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)0,0010,000

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 Opus0,026
Tête enseignante GPT0,237
Écart entre enseignants0,210 · 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 tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
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

Citations6
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdditive Manufacturing and 3D Printing TechnologiesTravaux en français237 207