MétaCan
Menu
Retour à la cohorte
Enregistrement W4366292582 · doi:10.1002/adfm.202301593

Targeted Repair of Super‐Lubricating Surfaces via Pairing Click Chemistry

2023· article· en· W4366292582 sur OpenAlexafffund
Li Xiang, Jiawen Zhang, Wen-Da Wang, Zhiyong Wei, Yunfei Chen, Hongbo Zeng

Notice bibliographique

RevueAdvanced Functional Materials · 2023
Typearticle
Langueen
DomaineMaterials Science
ThématiquePolymer Surface Interaction Studies
Établissements canadiensUniversity of Alberta
Organismes subventionnairesGovernment of Jiangsu ProvinceNatural Sciences and Engineering Research Council of CanadaNatural Science Foundation of Jiangsu ProvinceNational Natural Science Foundation of ChinaCanada Research Chairs
Mots-clésRubbingLubricityMaterials scienceBreakageCoatingCovalent bondNanotechnologyComposite materialChemistryOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Abstract Intact advanced lubricating coatings can rival natural hydration lubricating systems. However, once damaged, their lubricity is drastically diminished as the delaminated coating materials are either unable to re‐bond to the original substrate due to the irreversible bond breakage or easily bridge the opposing rubbing surface via non‐specific interactions. Inspired by the reversibility and selectivity of dynamic click chemistry, super‐lubricating surfaces with targeted self‐repairability are developed through a surface‐recognized strategy. The rubbing surfaces exhibit superlubricity with friction coefficient µ ≈0.002 at physiologically high pressure (≈7.5 MPa). When wear‐induced coating‐substrate breakage occurs, the lubricating materials can target and reassociate with their pairing surfaces through specific dynamic covalent linkages, circumventing surface bridging, and recovering high lubricity even upon repeated damage. This study offers an innovative paradigm for developing durable lubricating surfaces with bespoke reparability for biomedical applications.

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)0,001
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 consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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)0,0030,001

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 Opus0,022
Tête enseignante GPT0,264
Écart entre enseignants0,242 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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

Citations21
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAdvanced Functional MaterialsMême sujetPolymer Surface Interaction StudiesTravaux en français237 207