Effect of specific surface area on the rheological properties of graphene nanoplatelet/poly(ethylene oxide) composites
Notice bibliographique
Résumé
The rheological properties of poly(ethylene oxide) containing graphene nanoplatelets (GNPs) having different specific surface areas (SSAs) are studied using steady shear and small amplitude oscillatory shear experiments. A series of GNPs having SSAs ranging from 175 ± 5 to 430 ± 13 m2/g was prepared using a thermomechanical exfoliation process. The complex viscosity, moduli, and yield stress of the composites increase with SSA, whereas electrical and rheological percolation threshold concentrations decrease, suggesting that higher SSAs promote filler network formation. Modeling of small amplitude oscillatory shear data using a two-phase model confirms that hydrodynamic effects dominate at low concentrations below 8 wt. %, where the particles are noninteracting. At higher concentrations, the response is dominated by filler-phase contributions. We demonstrate that the two-phase model parameters can be used to track the exfoliation of graphite into GNPs. Fitting of rheological percolation curves using Utracki and Lyngaae–Jørgensen models at low concentrations (noninteracting regime) resulted in aspect ratios between 19 and 76. At high concentrations (interacting particles), the aspect ratios determined by the Krieger–Daugherty model ranged between 5 and 24 due to aggregation. The highest aspect ratios (defined as the ratio of major dimension to minor dimension) were associated with GNPs that had the highest SSA of 430 m2/g. Strain sweeps revealed that the critical strain for the onset of nonlinear viscoelasticity scaled with SSA above the percolation threshold. The scaling relationships of the critical strain and storage modulus with volume fraction were used to infer the fractal dimensions of filler networks.
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 | 0,002 | 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 | 0,000 | 0,001 |
| 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 ».