Polymer Metallization by Cold Spray Deposition of Polyamide-Copper Composite Coatings
Notice bibliographique
Résumé
Abstract Cold spray metallization of polymers is a promising surface engineering technique that enables the deposition of metal coatings onto polymer substrates at low process temperatures, resulting in improved surface properties, thus enhanced functionality of the polymeric material. However, deposition of well-adhering metallic coatings without causing surface damage to the polymer substrate is still a challenge. In this work, copper-polyamide composite coatings with different copper concentrations between 30 and 75 vol.% in the starting powders were deposited on polyamide substrates using a low-pressure cold spray system with two nozzle geometries of short and long diverging sections. The spray parameters were first developed for the deposition of polyamide powder (at gas temperature of 260 °C and gas pressures ranging from 0.41 to 1.37 MPa), and then used to spray the composite powder mixtures where the polyamide particles were acting as a binder for copper particles. Inflight and impact particle characteristics (velocity and temperature) of the polyamide powder were simulated to better understand the deposition properties. Considering that the selected conditions were suboptimal for the deposition of copper particles, no surface damage was caused as no penetration of the copper particles into the polymer substrate occurred. The results show that increasing the copper content in the powder mixtures significantly improved the resulting coating uniformity and the retained copper content. In addition, the coating deposited by spraying the powder mixture with a higher copper content of 75 vol.% and using the longer nozzle yielded the highest cohesion strength. To further improve coatings cohesion, two post-spray processing methods of furnace heating and hot pressing were used, and the effect of each process on coatings properties was investigated.Please confirm if the author names are presented accurately and in the correct sequence (given name, middle name/initial, family name). Given name: [Kintak Raymond] Last name [Yu]. Also, kindly confirm the details in the metadata are correct.The author names are now correct: Kintak Raymond given name and Yu last name All other details are corrects
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 ».