Synergistic enhancement of creep resistance and thermal stability in epoxy nanocomposites reinforced with graphene nanoplatelets and halloysite nanotubes for optoelectronic applications
Notice bibliographique
Résumé
Abstract Epoxies used in optoelectronic applications are prone to creep due to low‐magnitude stresses caused by uneven thermal expansion, residual stresses, or component weight in elevated temperature environments. To address this, the effect of adding graphene nanoplatelets (GNP, 0.1–1 wt.%) and halloysite nanotubes (HNT, 1–10 wt.%) on the creep behavior of epoxy nanocomposites was investigated through 1‐h creep tests at 60°C under a 5 MPa load. Results showed that adding 0.1 wt.% GNP and 10 wt.% HNT led to significant reductions in strain rate, by 78.2% and 77.4%, respectively. A synergistic effect was observed when both nanoparticles were combined, improving dispersion and overall performance. The hybrid nanocomposite containing 1 wt.% HNT and 0.25 wt.% GNP demonstrated the most balanced improvement, with a 68.5% reduction in strain rate and enhanced dispersion. Characterization of the particle distribution using optical microscopy and SEM revealed that GNP particles tended to agglomerate more than HNT, while higher HNT loadings caused particle clustering and settling. The hybrid nanocomposite effectively mitigated these issues, making it a promising candidate for high‐temperature, high‐performance applications in optoelectronics, where improved mechanical and thermal stability are essential. Highlights 0.1 wt.% GNP and 10 wt.% HNT reduce the strain rate by 78.2% and 77.4%, respectively. Synergistic effect of 0.25 wt.% GNP and 1 wt.% HNT enhances epoxy creep resistance by 68.5%. GNP and HNT enhance creep strain by reinforcing the polymer network and load transfer. Optimized epoxy nanocomposite is ideal for high‐temperature optoelectronic applications.
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 | 0,000 | 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) | 0,000 | 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 ».