Mechanics of Peeling Adhesives From Soft Substrates: A Review
Notice bibliographique
Résumé
Abstract Understanding peeling behavior in soft materials is integral to diverse applications, from tissue engineering, wound care, and drug delivery to electronics, automotive, and aerospace equipment. These applications often require either strong, permanent adhesion or moderate, temporary adhesion for ease of removal or transfer. Soft adhesives, especially when applied on soft substrates like elastomer-coated release liners, flexible packaging films, or human skin, present unique mechanical behaviors compared to adhesives applied on rigid substrates. This difference highlights the need to understand the influence of substrate rigidity on peeling mechanics. This review delves into both energy- and stress-based analyses, where a thin tape with an adhesive layer is modeled as a flexible beam. The energy analysis encompasses components like the energy associated with tape deformation, kinetic energy, and energy lost due to interfacial slippage. The stress analysis, on the other hand, focuses on structures with thin, deformable substrates. Substrates are categorized into two types: those undergoing smaller deformations, typical of thin soft release liners, and thicker deformable substrates experiencing significant deformations. For substrates with small deformations, the linear Euler–Bernoulli beam theory is applied to the tape in the bonded region. Conversely, for substrates experiencing significant deformations, large deflection theory is utilized. These theoretical approaches are then linked to several practical, industrially relevant applications. The discussion provides a strategic guide to selecting the appropriate peeling theory for a system, emphasizing its utility in comprehending peeling mechanisms and informing system design. The review concludes with prospective research avenues in this domain.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».