Optimizing the Dielectric and Mechanical Performance of 3D-Printed Cellulose-Based Biocomposites and Bionanocomposites through Factorial Design for Electrical Insulation Application
Notice bibliographique
Résumé
Materials for low-permittivity and electrical insulation applications need to be re-engineered to achieve sustainable development. To address this challenge, the proposed study focused on the dielectric and mechanical optimization of 3D-printed cellulose-based composites for electrical insulation applications. Two different fillers, microcrystalline cellulose (MCC) and nanocrystalline cellulose (NCC), were used to create biocomposites and bionanocomposites, respectively, blended into a polylactic acid (PLA) matrix. The effects of infill ratio, printing temperature, and filler content on dielectric and mechanical properties were measured using an incomplete L9 (3^3) factorial design. The findings showed that the infill ratio was the most significant factor influencing the properties tested, directly attributable to the increase in material availability for polarization and mechanical performance. The second most influential factor was the filler content, increasing the polarity of the tested composites and decreasing the toughness of the biocomposites and bionanocomposites. Finally, printing temperature had no significant effect. Results for the biocomposites at a 50% infill ratio, 200 °C printing temperature, and a weight content of MCC of 15% gave a 60% higher tensile-mode stiffness than neat PLA printed under the same conditions, while exhibiting lower dielectric properties than neat PLA printed with a 100% infill ratio. These results pave the way for new lightweight materials for electrical insulation.
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 ».