Engineering ceramics for biomedical applications through nanofiller integration and 3D printing
Notice bibliographique
Résumé
Abstract Known for their strength and durability, ceramic materials are often limited by their brittleness. Polymer-derived ceramics (PDCs) offer a promising alternative, enabling the fabrication of complex shapes that traditional ceramics struggle to achieve. This study introduces a cost-effective method for producing robust PDCs using low-cost liquid crystal display (LCD) 3D printing combined with strategic nanofiller integration. By incorporating nanofillers such as silicon nitride and alumina into a silicon oxycarbide precursor (SPR-684) matrix, we significantly enhanced the mechanical properties of the resultant ceramics. Optimized formulations, including a photoinitiator for vat photopolymerization, were 3D printed into complex geometries, such as gyroids and lattices, and subsequently converted to ceramics through pyrolysis. We systematically investigated the effects of varying nanofiller concentrations (0.2 to 1 wt%) on the density, microstructure, and mechanical performance of the PDC lattices. The results showed remarkable improvements, with increases of up to 2060% in toughness, 20% in stiffness, and 900% in compressive strength attributed to nanofiller integration. In terms of biocompatibility, cytotoxicity assays revealed high cell viability and proliferation on the fabricated PDC scaffolds, indicating minimal cytotoxicity and supporting cell adhesion—key attributes for tissue integration in biomedical applications. Moreover, the compressive properties of the nanofiller-enhanced ceramics closely matched those of human trabecular bone, underscoring their suitability as load-bearing bio-implants. This LCD 3D printing method offers versatility, precision, and cost-effectiveness for bioceramic fabrication, positioning these materials as promising candidates for future biomedical devices where both mechanical performance and biocompatibility are critical.
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 | 0,001 |
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 ».