Semi-intrinsic self-healing epoxy coating using ionic liquid and super absorbent polymer
Notice bibliographique
Résumé
In recent years, there has been a growing interest in self-healing materials due to their capacity to mend micro to nano-scale damages, enhancing longevity and reducing maintenance costs associated with equipment repair. This study introduces a self-healing epoxy-based polymeric coating achieved through the incorporation of a reversible ionic liquid (IL) network and a superabsorbent polymer (SAP) in a straightforward one-pot blending process. The reversible interaction between the hydroxyl groups of epoxy and ionic groups initiates the healing process under dry conditions. Moreover, the addition of SAP enhances the system's ability to initiate healing in wet and moist environments. Evaluation of the healing capability through SEM images reveals complete healing after 14 h in dry conditions and 24 h in wet conditions. Additionally, a series of physical and thermal tests were conducted to assess the effects of increasing IL concentration and curing agent in the epoxy system. For instance, the modified sample with 8 % weight of IL exhibited a 63 % higher elongation break compared to pure epoxy. It is believed that this straightforward one-pot composition holds significant potential for various applications, including the construction and automotive industries. • One-pot self-healing epoxy produced with ionic liquid and super absorbent polymers. • Total healing achieved in 14 and 24 h in dry and wet conditions, respectively. • Tensile strength enhanced and hardness reduced with added curing agents. • Repeatable healing and improved stability were demonstrated at moisture conditions. • Potential applications of self-healing epoxy are in buildings and automotives.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».