Effects of tableting process parameters and powder lubrication levels on tablet surface temperature and moisture content
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Punch sticking is a recurrent problem during the pharmaceutical tableting process. Powder moisture content plays a key role in the buildup of sticking; it evaporates due to increased tablet temperature, accumulates at the punch-tablet interface, and causes sticking through capillary force. This study investigated the effects of compaction pressure (CP), compaction speed (CS), and lubrication level (magnesium stearate (MgSt) ratio) on tablet surface temperature (TST) and tablet surface moisture content (TSMC). TST and TSMC were measured with an infrared thermal camera and near-infrared sensor, respectively. Microcrystalline cellulose was used as the tableting powder and MgSt as the lubricant. The low range of CS values (16-32 mm/s) considered in this study did not have significant effects on TST and TSMC. MgSt ratio had a significant positive effect on TST; this may be explained by the increase in powder blend effusivity with the addition of MgSt. However, MgSt ratio did not have a significant effect on TSMC. CP had a significant positive effect on both TST and TSMC. Increased CP induced higher heat generation through particle deformation and friction during the compaction phase, leading to increased TST. Furthermore, the water vapor diffusion rate through the powder bed might have increased due to the rise in thermal energy and led to further moisture accumulation at the tablet-punch interface, causing the significant positive effect of CP on TSMC. This result may explain the occurrence of sticking regardless of the CP applied during the tableting process.
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.
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 | 0,001 |
| 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 | 0,001 | 0,001 |
| 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 découle