Optimization of Filler Compositions of Electrically Conductive Polypropylene Composites for the Manufacturing of Bipolar Plates
Notice bibliographique
Résumé
In this research, polypropylene (PP)-graphite composites were prepared using the melt mixing technique in a twin-screw extruder. Graphite, multi-walled carbon nanotubes (MWCNT), carbon black (CB), and expanded graphite (EG) were added to the PP in binary, ternary, and quaternary formations. The graphite was used as a primary filler, and MWCNT, CB, and EG were added to the PP-graphite composites as secondary fillers at different compositions. The secondary filler compositions were considered the control input factors of the optimization study. A full factorial design of the L-27 Orthogonal Array (OA) was used as a Design of Experiment (DOE). The through-plane electrical conductivity and flexural strength were considered the output responses. The experimental data were interpreted via Analysis of Variance (ANOVA) to evaluate the significance of each secondary filler. Furthermore, statistical modeling was performed using response surface methodology (RSM) to predict the properties of the composites as a function of filler composition. The empirical model for the filler formulation demonstrated an average accuracy of 83.9% and 93.4% for predicting the values of electrical conductivity and flexural strength, respectively. This comprehensive experimental study offers potential guidelines for producing electrically conductive thermoplastic composites for the manufacturing of bipolar fuel cell plates.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».