Improved pressure‐sensitive adhesive performance using carboxylated cellulose nanocrystals via blending
Notice bibliographique
Résumé
Abstract Carboxylated cellulose nanocrystals (cCNCs) were blended with high‐quality commercial latex to enhance key pressure‐sensitive adhesive (PSA) properties: tack, peel strength, and shear adhesion. Initially, a 2 5–1 fractional factorial design was used to evaluate the effect of five factors: cCNC type (never‐dried vs. dried re‐dispersed), the use of sonication to disperse the cCNC, cCNC loading, blend temperature, and mixing speed. The regression analysis identified optimal blend conditions and the three most significant factors. It was found that increasing mixing speed had the strongest positive impact on all three PSA properties. A subsequent design of experiments looked at using a different mixing system—a homogenizer—and the data were viewed relative to the mixing power. Further increase in mixing beyond the original design framework led to increase in shear adhesion but decreased tack and peel strength. Nevertheless, in all cases, the PSA properties of the blended latexes exceeded that of the base‐case latex without cCNCs. The second factor of importance was the cCNC loading. The blending of cCNCs at levels beginning at 0.5 phm (parts per hundred parts monomer) led to the simultaneous improvement in all three PSA properties compared to the base‐case latex. The 1 phm level appeared to provide the best impact on the PSA properties. Finally, the need to sonicate the cCNCs dispersions before blending was significant. The results were further supported by rheological measurements, which demonstrated significant increase in viscosity with cCNC addition. This study clearly demonstrates the effectiveness of cCNC blending to improve all PSA properties simultaneously and provides practical insights for industrial‐scale application.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».