Mechanical Performance of Hybrid Graphene Nanoplates, Fly-Ash, Cement, Silica, and Sand Particles Filled Cross-Ply Carbon Fibre Woven Fabric Reinforced Epoxy Polymer Composites Beam and Column
Notice bibliographique
Résumé
The main goal of this study is to reduce the brittleness of a fibre-reinforced cement base structure when exposed to the effects of graphene nanoplates, fly ash, silica, sand, and cement fillers to better understand the effect of hybrid nano/micro particle fillers on the mechanical performance of cross-ply carbon fibre reinforced epoxy resin composites. A three-point bending test through the width was used to measure flexural strength. The impact tests Izod at low impact velocity and Charpy through the thickness were used to determine the dynamic fracture strengths of pre-cracked and non-cracked composite samples. Also, the compressive test method was used to measure the compressive strength of hybrid particles and short glass fibre-reinforced epoxy resin composite square and circular columns. The results show compressive strength and flexural strength. Izod impact energy, Charpy impact energy, and dynamic fracture toughness of hybrid nano/microparticle-filled fibre composites have higher values than virgin fibre composites due to the influence of graphene nanoparticles and perfect interface bonding between two dissimilar molecules of nano and microparticles, which improve the fracture toughness and absorb impact energy. Overall, the results indicate that molecules of nano/microparticle-filled carbon fibre and glass fibre-reinforced epoxy resin composites can be used in aggressive environments because of the improved mechanical properties in comparison to the virgin fibre composites. In addition, SEM micrographs clearly indicate that nano- and microparticles are resistant crack propagation and deboned of matrix fibres.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».