MétaCan
Menu
Retour à la cohorte
Enregistrement W4403451802 · doi:10.1002/marc.202400408

Organic–Inorganic Hybrid Materials from Vegetable Oils

2024· review· en· W4403451802 sur OpenAlexafffund
Eline Laurent, Milan Marić

Notice bibliographique

RevueMacromolecular Rapid Communications · 2024
Typereview
Langueen
DomaineMaterials Science
ThématiqueSilicone and Siloxane Chemistry
Établissements canadiensMcGill University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésRaw materialHybrid materialMaterials scienceSiloxaneFiller (materials)CompatibilizationSilaneReactive materialPolymerizationRenewable resourcePolymer scienceNanotechnologyChemical engineeringPolymerOrganic chemistryRenewable energyComposite materialChemistryCopolymerPolymer blendEngineering

Résumé

récupéré en direct d'OpenAlex

The production of materials based on fossil resources is yielding more sustainable and ecologically beneficial methods. Vegetable oils (VO) are one example of base materials whose derivatives rival the properties of their petro-based counterparts. Gaps exist however and one way to fill them is by employing sol-gel processes to synthesize organic-inorganic hybrid materials, often derived from silane/siloxane compounds. Creating Si─O─Si inorganic networks in the organic VO matrix permits the attainment of necessary strength, among other property enhancements. Consequently, many efforts have been directed to optimally achieve organic-inorganic hybrid materials with VOs. However, compatibilization is challenging, and desirable conditions for matching the inorganic filler in the organic matrix remain a key stumbling block toward wider application. Therefore, this review aims to detail recent progress on these new hybrids, focusing on the main strategies to polymerize and functionalize the raw VO, followed by routes highlighting the addition of the inorganic fillers to obtain desirable composites.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,639
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0050,003
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,014

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 Opus0,041
Tête enseignante GPT0,309
Écart entre enseignants0,268 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreSynthèse

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

En bref

Citations5
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMacromolecular Rapid CommunicationsMême sujetSilicone and Siloxane ChemistryTravaux en français237 207