MétaCan
Menu
Retour à la cohorte
Enregistrement W4366446345 · doi:10.1002/mame.202300001

High Thermal Conductivity Polymer Composites Fabrication through Conventional and 3D Printing Processes: State‐of‐the‐Art and Future Trends

2023· article· en· W4366446345 sur OpenAlexaff
T.R. Vijaybabu, T. Ramesh, Suman Pandipati, Sujit Mishra, G. Sridevi, C. Pradeep Raja, Rhoda Afriyie Mensah, Oisik Das, Manjusri Misra, Amar K. Mohanty, Karthik Babu

Notice bibliographique

RevueMacromolecular Materials and Engineering · 2023
Typearticle
Langueen
DomaineMaterials Science
ThématiqueThermal properties of materials
Établissements canadiensUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésMaterials scienceThermal conductivityComposite materialFabricationCompression moldingMolding (decorative)PolymerComposite numberNanocompositeElectrical conductorPolymer nanocompositeThermalParticle (ecology)ConductivityMold

Résumé

récupéré en direct d'OpenAlex

Abstract The lifespan and the performance of flexible electronic devices and components are affected by the large accumulation of heat, and this problem must be addressed by thermally conductive polymer composite films. Therefore, the need for the development of high thermal conductivity nanocomposites has a strong role in various applications. In this article, the effect of different particle reinforcements such as single and hybrid form, coated and uncoated particles, and chemically treated particles on the thermal conductivity of various polymers are reviewed and the mechanism behind the improvement of the required properties are discussed. Furthermore, the role of manufacturing processes such as injection molding, compression molding, and 3D printing techniques in the production of high thermal conductivity polymer composites is detailed. Finally, the potential for future research is discussed, which can help researchers to work on the thermal properties enhancement for polymeric materials.

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 candidatesaucune
Catégories consensuellesaucune
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 enseignants0,015
Score d'incertitude au seuil0,559

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)0,0000,000

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 Opus0,008
Tête enseignante GPT0,200
Écart entre enseignants0,192 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations16
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMacromolecular Materials and EngineeringMême sujetThermal properties of materialsTravaux en français237 207