Utilization of residual fatty acids in matter organic non-glycerol from a soy biodiesel plant in filaments used for 3D printing
Notice bibliographique
Résumé
Matter organic non-glycerol (MONG) is a considerable waste output (20%−25% of crude glycerol) typically landfilled by soy biodiesel plants. In this work, soy MONG was characterized for potential use as a copolymer to produce filaments for 3D printing with an intent to add value and redirect it from landfills. As a copolymer, MONG was evaluated to reduce the synthetic polymer content of the natural fiber composites (NFC). Even though the general thermal behavior of the MONG was compared to that of a thermoplastic polymer in composite applications, it is dependent on the composition of the MONG, which is a variable depending on plant discharge waste. In order to improve the thermal stability of MONG, we evaluated two pretreatments (acid and acid + peroxide). The acid + peroxide pretreatment resulted in a stabilized paste with decreased soap content, increased crystallinity, low molecular weight small chain fatty acids, and a stable blend as a copolymer with a thermoplastic polymer. This treatment increased formic acid (17.53%) in MONG, along with hydrogen peroxide, led to epoxidation exhibited by the increased concentration of oxirane (5.6%) evaluating treated MONG as a copolymer in polymer processing and 3D printing.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».