Facilitating the additive manufacture of high-performance polymers through polymer blending: A review
Notice bibliographique
Résumé
Fused Filament Fabrication (FFF, a.k.a. fused deposition modeling, FDM) is presently the most widespread material extrusion (MEX) additive manufacturing technique owing to its flexibility and robustness. Nonetheless, it remains underutilized in load-bearing applications, as often seen in aerospace, automotive and biomedical industries. This is largely due to the processing challenges associated with high performance polymers (HPPs) like poly-ether-ether-ketone (PEEK) or polyetherimide (PEI). Compared with commercial-grade plastics such as polylactic acid (PLA), parts produced with HPPs have outstanding mechanical properties and thermal stability. However, HPPs have bulkier chemical structures and stronger intermolecular forces than common FFF feedstock materials, and this results in much higher printing temperatures and greater melt viscosities. The demanding processing requirements of HPPs have thus impaired their adoption within FFF. Polymer blending, which consists in properly mixing HPPs with other thermoplastics, makes it possible to alleviate these printing issues, while also providing additional advantages such as improved tensile strength and reduced friction. Further to this, manipulating the crystallisation processes of HPPs mitigates distortion or warping upon printing. This review explores some emerging trends in the field of HPP blends and how they address the challenges of excessive melt viscosity, polymer crystallization, moisture uptake, and part shrinkage in 3D printing. Also, the various structural/mechanical/chemical enhancements that are afforded to FFF parts through HPP blending are critically analysed based on recent examples from the literature. Such insights will not only aid researchers in this field, but also facilitate the development of novel, 3D printable HPP blends.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».