3D Printed Multifunctional Polymeric Nanocomposite Components With Sensing Capability
Notice bibliographique
Résumé
Conventional polymeric 3D printing offers efficient ways to produce 3D structures. In order to provide functional capability of 3D structures, we have incorporated conductive additives such as multi-walled carbon nanotubes (MWCNTs) within the 3D printed structures by utilizing a pellet-based extrusion system. The inclusion of MWCNTs in the nanocomposites allows the creation of semiconductive structures that can detect force or strain due to piezoresistive properties. During the printing process, the shear forces can cause the MWCNTs to partially align, and this alignment is influenced by the chosen path scanning strategies. Our study aimed to determine how the alignment of MWCNTs affects the mechanical, electrical, and thermal properties of 3D-printed nanocomposite objects. We employed various characterization techniques including SEM, resistivity measurements, dynamic mechanical analysis (DMA), three-point bending, and cyclic bending tests at different raster angles (0°, 45°, and 90°) of 3D printed parts. A 3D Random Walk model was developed to simulate the influence of MWCNTs alignment on the piezoresistive behavior. The experimental results showed low electrical resistivity and high flexural strength in 3D printed samples, especially when printed in a longitudinal direction (0°). The highest sensing gauge factor was achieved when printing laterally (90°). To demonstrate the real-world applicability, we designed a self-sensing claw system for grippers with an integrated feedback mechanism using the 3D-printed nanocomposite. This study highlights the potentials of pellet-fed polymeric nanocomposite 3D printing for generating semiconductive structures with sensing capabilities in diverse applications.
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 | 0,000 | 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 ».