Enhancing friction with additively manufactured surface‐textured polymer composites
Notice bibliographique
Résumé
Abstract Increasing rubber's friction on slippery surfaces provides protection against falls; however, surface‐textured composites, despite their potential, remain susceptible to wear. To address this issue, part of our team previously patented a surface‐textured composite made from thermoplastic polymers and microfibers. This study investigates the impact of manufacturing processes and 2D filler, which are known for their hydrophobicity and large surface area. It enhances our patented composite by integrating 2D graphene nanoplatelets (GNP), hexagonal boron nitride (hBN), and fillers like styrene‐butadiene‐styrene (SEBS), and silica, while comparing the properties of composites fabricated via injection molding (IM) and fused filament fabrication (FFF). The results demonstrate that 2D fillers enhance both abrasion resistance and ice friction, while FFF‐fabricated composites consistently exhibit superior properties across all compositions. Notably, hBN‐reinforced samples exhibited hierarchical surface texturing, leading to enhanced abrasion resistance (FFF: 146.63% ± 3.39%; IM: 133.83% ± 6.8%; p = 0.036), and effective ice traction (FFF: 0.58 ± 0.04; IM: 0.54 ± 0.06; p = 0.043). These outperformed ice‐traction properties of all other FFF‐fabricated composites, including a previously patented composite (0.52 ± 0.05) as well as composites with GNP (0.53 ± 0.02), SEBS (0.42 ± 0.05), and hBN + SEBS (0.45 ± 0.02). Additionally, the patented composite produced via FFF exhibited moderate oil traction (0.121 ± 0.001), outperforming others. This study highlights the potential of FFF and 2D fillers to enhance traction and durability in composites. Highlights Surface‐textured composite introduced via additive manufacturing. Abrasion resistance and friction analysis on icy and oily conditions. Reveals the potential for new composite to improve traction and longevity. Highlights the importance of controlled fiber distribution and orientation.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».