MétaCan
Menu
Retour à la cohorte
Enregistrement W4402395718 · doi:10.3390/polym16182549

Use of Recycled Additive Materials to Promote Efficient Use of Resources While Acting as an Effective Toughness Modifier of Wood–Polymer Composites

2024· article· en· W4402395718 sur OpenAlexaff
Luísa Rosenstock Völtz, Linn Berglund, Kristiina Oksman

Notice bibliographique

RevuePolymers · 2024
Typearticle
Langueen
DomaineMaterials Science
ThématiqueNatural Fiber Reinforced Composites
Établissements canadiensUniversity of Toronto
Organismes subventionnairesStora EnsoWallenberg Wood Science CenterLuleå Tekniska UniversitetKnut och Alice Wallenbergs Stiftelse
Mots-clésToughnessMaterials scienceComposite materialPolymer

Résumé

récupéré en direct d'OpenAlex

Wood–polymer composites (WPCs) with polypropylene (PP) matrix suffer from low toughness, and fossil-based impact modifiers are used to improve their performance. Material substitution of virgin fossil-based materials and material recycling are key aspects of sustainable development and therefore recycled denim fabric, and elastomer were evaluated to replace the virgin elastomer modifier commonly used in commercial WPCs. Microtomography images showed that the extrusion process fibrillated the denim fabric into long, thin fibers that were well dispersed within the WPC, while the recycled elastomer was found close to the wood fibers, acting as a soft interphase between the wood fibers and PP. The fracture toughness (KIC) of the WPC with recycled denim fabric matched the commercial WPC which was 1.4 MPa m1/2 and improved the composite tensile strength by 18% and E-modulus by 54%. Recycled elastomer resulted in slightly lower KIC, 1.1 MPa m1/2, as well as strength and modulus while increasing elongation and contributing to toughness. The results of this study showed that recycled materials can potentially be used to replace virgin fossil-based elastomeric modifiers in commercial WPCs, thereby reducing the CO2 footprint by 23% and contributing to more efficient use of resources.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,270
Écart entre enseignants0,248 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePolymersMême sujetNatural Fiber Reinforced CompositesTravaux en français237 207