Enhanced carbon fiber interface with thermoplastics via nanostructure surface modification: Failure, morphology and wettability analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Improving the fiber-matrix adhesion in thermoplastic composites remains a significant challenge due to the lack of chemical bonding between thermoplastics and common reinforcing fibers. This study investigates the effectiveness of carbon fibers enhanced with nanostructure surface modification for strengthening the interfacial adhesion to thermoplastic matrices. The fiber surface was modified with graphene nanoplatelets (GNP) through a facile coating method, and the apparent interfacial shear strength (IFSS) was determined by single-fiber pullout tests. GNP-coated fiber improved IFSS by 74 % with neat high-density polyethylene (HDPE-Neat) and 28 % with maleic anhydride-grafted HDPE (HDPE-8MA), while IFSS reduced by 27 % with polyamide 6 (PA6) due to different failure mechanisms. Morphology, chemical, and wettability analysis were conducted on the nano-enhanced carbon fibers to quantitatively elucidate these findings on micro/nanoscale, combining machine learning-based image segmentation, X-ray photoelectron spectroscopy (XPS), and contact-angle measurements of intermittent beading on fibers. • Evaluated interfacial shear strength of nano-enhanced carbon fiber within thermoplastic using single fiber pullout test. • Revealed failure mechanisms and effects of nano-coating on carbon fiber in various thermoplastic matrices. • Applied convolutional neural network technique to quantify the nano-enhanced surface morphology. • Quantified the wettability of thermoplastic to fibers using fiber beading method.
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.
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 | 0,001 |
| 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) | 0,000 | 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 découle