Viscosity of Mono‐ and Polydisperse Mixtures of Photopolymer and Rigid Spheres for Manufacturing of Engineered Composite Materials Using Vat Photopolymerization
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
Vat photopolymerization (VP) additive manufacturing involves selectively curing low‐viscosity photopolymers via exposure to ultraviolet light in a layer‐wise fashion. Dispersing filler materials in the photopolymer enables tailored end‐use properties, but also increases the viscosity and the timescale associated with interparticle network structural recovery postshear. These rheological properties influence self‐leveling and recoating of the liquid photopolymer mixture during VP. Herein, viscosity of photopolymer and rigid spherical glass microparticles (filler) is experimentally determined as a function of filler fraction, filler size distribution (mono‐ and polydisperse), shear rate, and temperature, which are important VP process parameters. Employing existing viscosity models for mono‐ and polydisperse polymer mixtures demonstrates that particle–particle interactions and the formation of nonspherical clusters of particles strongly affect the viscosity of both monodisperse and polydisperse mixtures with particle volume fractions > 0.05 due to agglomeration/deagglomeration of clusters at elevated shear rates. Consequently, unmodified viscosity models, which assume uniformly dispersed, rigid, spherical particles, are applicable only for mixtures with particle volume fractions < 0.05. It is shown that modifying model parameters such as the fluidity limit and intrinsic viscosity, which explicitly account for nonspherical clusters of particles, improves agreement between viscosity models and experiments, in particular when using a fractal approach.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 découle