MétaCan
Menu
← Retour à la cohorte
Enregistrement W4404081236 · doi:10.18280/rcma.340507

Enhancements of Creep Compliance of Kevlar and Carbon Fibers Reinforced Sika Epoxy Composites

2024· article· fr· W4404081236 sur OpenAlexvenueno aff
Ali Adel Battawi, Balsam H. Abed, Ammar A. H. Al-Filfily

Notice bibliographique

RevueRevue des composites et des matériaux avancés · 2024
Typearticle
Languefr
DomaineMaterials Science
ThématiqueTextile materials and evaluations
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésKevlarEpoxyComposite materialMaterials scienceCreep

Résumé

récupéré en direct d'OpenAlex

Synthetic materials such as Carbon, Kevlar, and Glass fibers are extensively utilized in various industries due to their superior characteristics including high stiffness, great strength, low den-sity, and high wear resistance, these advantages contributed to making them widespread in ap-plications like; aerospace, automobile, civil and electronics. This research is carried out to enhance the creep compliance of epoxy composite material by considering two types of fibers as reinforcement. A composite material is produced by combining two fibers, Kevlar fiber mixed with sika epoxy resin, along with Carbon fiber also mixed with sika epoxy resin using a Hand-Layup process. Experiments and numerical modeling are examined to offer a comprehensive understanding creep behavior of epoxy composite material in different weight ratios. Burger and Prony models are used to represent stress relaxation and creep strain of Visco-elastic material. According to the results, sika epoxy resin reinforced with Kevlar and Carbon fibers exhibits enhancement in the mechanical properties compared with pure epoxy. The use of Kev-lar/Sika epoxy composite results in higher creep compliance and modulus of elasticity compared with Carbon/Sika epoxy composite.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,100
Tête enseignante GPT0,334
Écart entre enseignants0,234 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations2
Publié2024
Routes d'admission1
Résumé présentnon

Explorer davantage

Même revueRevue des composites et des matériaux avancés→Même sujetTextile materials and evaluations→Travaux en français237 207→