Investigation of mechanical and physicochemical properties of additively manufactured underutilized wood‐<scp>PLA</scp> biocomposites
Notice bibliographique
Résumé
Abstract Despite Canada's abundant biomass resources, a significant portion remains underutilized due to a lack of large‐scale industrial applications. This research explores the utilization of low‐value biomass, specifically aspen fiber, in fused filament fabrication (FFF) to develop biocomposites. Various chemical treatments (NaOH, silane, and maleic anhydride (MA)) were applied to improve fiber compatibility with polylactic acid (PLA). Both untreated and treated fibers at 10 wt% loadings were blended with PLA and extruded into 3D printable filaments. Results showed that MA‐treated fiber‐based composites had around 15% higher tensile strength and modulus along with a 30% enhancement in storage modulus than untreated ones. Additionally, a 25% reduction in water uptake was witnessed in MA‐treated aspen‐derived composites. Furthermore, the effect of fiber loading on the mechanical performance of the composites was explored by producing aspen‐PLA composites with higher fiber weight percentages (10, 20, and 30). Despite successfully 3D‐printing biocomposites with up to 30 wt% fiber content without nozzle clogging, the mechanical properties deteriorated with higher fiber loading. All the findings highlight the untapped potential of underutilized biomass in the development of value‐added composites. Highlights Underutilized Aspen fiber was combined with PLA to develop biocomposites. Successfully 3D‐printed biocomposites with up to 30 wt% wood content The optimal printing temperature for FFF was found to be 220°C NaOH, silane, and maleic anhydride (MA) fiber treatments were applied. MA treatment was the most effective treatment for Aspen‐PLA biocomposite.
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 ».