Conductive and auxetic composite membranes based on graphene nanoplatelets and polybutylene succinate produced via electrospinning
Notice bibliographique
Résumé
Abstract This work presents a method to produce conductive and auxetic composite membranes from a biobased and biodegradable matrix: polybutylene succinate (PBS). The conductivity was improved by the addition of graphene nanoplatelets (GNP) and the samples were produced via solution electrospinning. The membrane properties were shown to increase with increasing GNP concentration and the rotational speed of the collector. In particular, a membrane having 0.2% w/v GNP and fabricated at the highest collector speed (9.96 m/s) showed the highest electrical conductivity (1.56 × 10 −4 S/m) while having a negative Poisson's ratio (NPR) of −1.5 in tension. To complete the analysis, mechanical characterizations showed that the presence of GNP led to a substantial increase in Young's modulus (234%) and tensile strength (190%) compared to the neat PBS membrane produced under the same conditions. Differential scanning calorimetry (DSC) revealed a slight crystallinity increase since GNP are acting as heterogeneous nucleating agents, while thermogravimetric analysis (TGA) showed an improved thermal stability for the GNP/PBS membranes. This unique combination of auxetic and conductive properties can be useful for a wide range of innovative applications such as electronic devices, smart textiles, biomaterials, and biomedical devices. Highlights Electrospinning was successful to produce polybutylene succinate (PBS) nanofibers. A careful control of the processing conditions led to auxetic fiber mats. Electrically conductive mats were produced by adding graphene nanoplatelets (GNP) to PBS. The PBS mechanical properties were highly improved (200%) with low GNP content (0.2%).
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 | 0,001 |
| 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 ».