Elastic properties evaluation of banana-hemp fiber-based hybrid composite with nano-titanium oxide filler: Analytical and Simulation Study
Notice bibliographique
Résumé
In recent years, nano-filler-based hybrid composites have gained significant attention from the research community; The nano-filler-based hybrid composites can have potential applications in numerous sectors. Nano-fillers are bringing a leading development in material science and natural fibers-based composites. The present study considers the impact of various weight percentages of nano-titanium oxide (NTiO2) fillers (2%, 4%, and 6%) on the elastic features of novel hybridized banana-hemp fiber-reinforced epoxy composites. The proposed composite is analyzed for its elastic properties like longitudinal and transverse elastic modulus, axial Poisson's ratio, and axial shear modulus using homogenized micromechanical models, namely, Mori-Tanaka (M-T) model, Generalized self-consistent (G-SC) model and Modified Halpin-Tsai (M-HTS) model. The composite is modeled using one layer of banana fiber, one layer of NTiO2 and epoxy, and one layer of hemp fiber. All three layers of the composite are arranged in the sequence of banana fiber at 450, a layer of NTiO2 and epoxy at 00, and hemp fiber at 450. The proposed composite's vector sum deformation and strength are examined by employing the ANSYS APDL application. The results obtained in this study are compared with the experimental work mentioned in the literature. The composite reinforced with six weight% NTiO2 has the highest mechanical strength, and the modified Halpin-Tsai (M-HTS) model is the most effective in calculating the elastic features of the proposed composite. In addition to the above, the hybridization effect for the proposed composite is also estimated to analyze the tensile failure strain of banana and hemp fiber in the proposed hybrid composite structure.
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 ».