A Biomimetic “Salting Out—Alignment—Locking” Tactic to Design Strong and Tough Hydrogel
Notice bibliographique
Résumé
Abstract Recently, hydrogel‐based soft materials have demonstrated huge potential in soft robotics, flexible electronics as well as artificial skins. Although various methods are developed to prepare tough and strong hydrogels, it is still challenging to simultaneously enhance the strength and toughness of hydrogels, especially for protein‐based hydrogels. Herein, a biomimetic “salting out—alignment—locking” tactic (SALT) is introduced for enhancing mechanical properties through the synergy of alignment and the salting out effect. As a typical example, tensile strength and modulus of initially brittle gelatin hydrogels increase 940 folds to 10.12 ± 0.50 MPa and 2830 folds to 34.26 ± 3.94 MPa, respectively, and the toughness increases up to 1785 folds to 14.28 ± 3.13 MJ m −3 . The obtained strength and toughness hold records for the previously reported gelatin‐based hydrogel and are close to the tendons. It is further elucidated that the salting out effect engenders hydrophobic domains, while prestretching facilitates chain alignment, both synergistically contributing to the outstanding mechanical properties. It is noteworthy that the SALT demonstrates remarkable versatility across different salt types and polymer systems, thus opening up new avenues for engineering strong, tough, and stiff hydrogels.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».