3D printing of biodegradable biocomposites based on forest industrial residues by fused deposition modeling
Notice bibliographique
Résumé
This study investigated the impact of industrial forest residues (IFR) type and proportion on 3D-printed biocomposites (BC). Fused deposition modeling (FDM) produced BC containing up to 20 % Jack pine sawdust, wood ashes, cellulose fibers , and polylactic acid (PLA). The BC thermal stability, surface chemistry, microstructure, and physical and mechanical were investigated. Thermal stability investigations revealed that adding IRF resulted in a decline in the PLA degradation temperature, an increase in the residual mass, a decrease in the glass transition temperature , and an improvement in crystallinity. Add IRF to PLA showed an important reduction in ductility, a consistent reduction of the tensile and flexural strengths with increasing proportion but only a slight or a non-significant reduction the modulus of elasticity . Adding forest waste filler to pure PLA increased the water absorption (WA) and dimensional accuracy (TA) of the biocomposites , which was expected due to the hydrophilic character of fillers. The microstructural analysis demonstrated that a higher filler level resulted in a greater porosity, roughness, and visible filler pull-out on the filament and printed parts surfaces. Surface chemistry analysis suggested poor interactions between the PLA and the fillers and consequently poor interfacial adhesion. Furthermore, the rheological investigations confirmed that the complex viscosity and storage modulus of PLA-Jack pine's sawdust and PLA-cellulose fibers increased with filler. In contrast, the PLA-wood ashes showed opposite results. Using 3D-printed biodegradable biocomposites provided a sustainable option for reducing dependence on non-renewable plastic, valorizing the value chain of forest products, and promoting the circular economy.
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 | 0,001 |
| 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 ».