Optimization and Characterization of Borassus Fiber-Reinforced Epoxy Composites with Caesalpinia Bonducella Seed Shell Powder Using Response Surface Methodology
Notice bibliographique
Résumé
Utilizing reinforced lignocellulosic fibers in polymer matrix composites (PMCs) is a highly effective approach, since it reduces the necessity for more often used synthetic fibers.To investigate the uses of particulate matrix composites (PMCs), we concentrated on studying the fibers from Borassus, which are underutilized and have not been well researched.In this study, we used particles of Caesalpinia bonducella seed shell powder (CBSSP) and Borassus fibers (BF) as a reinforcing agent.The research aimed to assess the effectiveness of different CBSSP and Borassus fibers (BF) through treatment with 5% NaOH.The use of alkali treatment to CBSSP and BF samples significantly improved the compatibility between the biomaterial's characteristics and the natural fillers in the epoxy-BF composites.This enhancement was noted in the findings of physicochemical, XRD, FTIR, thermal and morphological analysis.In response surface analysis, a first-degree polynomial model was employed to maximize tensile strength (TS), tensile modulus (TM), flexural strength (FS), impact energy (IE), and moisture absorption of reinforced fiber.The optimization was done by considering the composition and length of the fiber.The Response Surface methodology (RSM) numerical model was used to analyze the mentioned characteristics and develop an ideal Epoxy-BF composite with minimum moisture absorption, maximum tensile modulus, flexural strength, and impact energy.After analyzing the data, it was concluded that the most effective setup for the Epoxy-BF composite is to use a 4 mm fiber length reinforcement combined with a loading reinforcement of 25 wt % of biomaterials.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,000 | 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 ».