Analysis of Physical and Mechanical Properties of Universal Composites under Different Types of Polishing before and after Acid Challenge
Notice bibliographique
Résumé
This study aimed to evaluate in vitro the degree of surface smoothness provided by two different polishing techniques and the effect of acid challenge on the alteration of surface roughness (Ra), microhardness (Knoop), and color ( Δ E 00 ) of three nanoparticulate composites, simulating 1 year of exposure to hydrochloric acid (HCl). Eighty specimens for each composite were divided into four groups ( n = 240), being control without polishing, control with wear, WPC (wear + polishing with Cosmedent Kit), and WPB (wear + BisCover LV liquid polish). Repeated measures ANOVA was applied for Ra and Knoop Microhardness. For the color ( Δ E) three‐way ANOVA was applied. In cases of statistically significant the Tukey posttest was applied ( α = 0.05). Both types of polishing tested resulted in a surface smoothness below the critical value established by the studies (Ra ≥ 0.2 μ m), even after immersion. The microhardness of all composite resins decreased after the challenges. The specimens immersed in HCl showed a lower microhardness (42.2 Kgf/mm 2 ) when compared to the specimens immersed in artificial saliva (44.7 Kgf/mm 2 ). Regarding the color change, the composites presented values compatible with clinical acceptability, with a statistically significant difference only between the control group and the other types of polishing for the Z350 XT resin ( Δ E 00 = 3.78). It was concluded that both mechanical and chemical polishing produced a satisfactory surface smoothness, even after immersions in artificial saliva and HCl. The microhardness of the composites was affected by the challenges and the composites tested were within clinical acceptability with regard to color change.
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 ».