A scalable post-treatment method for modifying polylactic acid to create nanoporous polymers
Notice bibliographique
Résumé
Dip-dip-dry (DDD) is a solvent-swelling based process developed to take solid poly-lactic acid (PLA) components and modify them post-treatment to render the material porous. DDD is notably designed for easy scaleup and high throughput with the whole process taking at most 25 s in the current batch setup. Porous polymers have applications in numerous fields including insulation, packaging, biomedicine, and agriculture, and DDD is one of the only ways to produce porous PLA that does not require starting from a melt or a solution of dissolved polymer. This work investigates the characteristics of the porous structures formed by DDD and seeks to tune the process, so the amount of pore volume generated within the polymer is maximized. The highest pore volume achieved in this study was accomplished by using THF as a solvent and water as a coagulant to treat PLA with 9±1% crystallinity, resulting in porous layers 117±8 μm thick and with a porosity of 35%. Additionally, it was shown that it is possible to use DDD on more crystalline forms of PLA, including sheets (34±3% crystallinity) and drawn fibers (48±2% crystallinity). Tensile strength of PLA sheets was reduced after treatment with a 68% decrease in the force required to break PLA sheets, 43% decrease in the force required to break monofilament fibers and an 84% decrease in the force required to break multifilament fibers. Other significant conclusions are that DDD makes the surface of PLA hydrophobic (water contact angle 140±8°) and, by changing solvents, DDD can be applied to other polymers like low-density polyethylene (LDPE) for the same purpose.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 | 0,000 |
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 ».