Comparing the Effects of ZnO and ZrO2 Nanomaterials on the Mechanical, Chemical, and Crystalline Properties of Epoxy Resin (DGEBA)
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
This research paper presents a comparative experimental study on the impact of zinc oxide and zirconium dioxide nanomaterials on the chemical, mechanical, and crystalline properties of epoxy resin (diglycidyl ether of bisphenol-A).Nanomaterials were incorporated into the epoxy resin at three different concentrations (4%, 6%, and 8%) by weight.Results indicated enhanced properties of the epoxy resin, including tensile and compressive strengths, as well as improvements in chemical and crystalline characteristics, assessed through scanning electron microscope (SEM) and Fouriertransform infrared spectroscopy (FTIR).Notably, zirconium dioxide exhibited superior performance across all properties, enhancing tensile and compressive strengths by 67% and 50%, respectively.Zinc oxide, at the same concentrations, led to a 50% increase in tensile strength and a 40% increase in compressive strength.These outcomes were observed at the highest concentration (8%wt) of both nanomaterials and the pure epoxy resin.The presence of nanomaterials at this ratio promoted greater cohesion within the composite, as evidenced by SEM images of selected samples.SEM analysis highlighted the pivotal role of ZrO2 nanoparticles in improving epoxy integration, surface quality, crystallization, and imperfection removal, crucial factors for enhancing composite materials.FTIR analysis of the resin containing ZrO2 nanoparticles revealed shifts and alterations in peaks, indicating successful nanoparticle-epoxy interaction, resulting in notable structural changes.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 découle