Fabricating ultra-robust hydrogels with adhesive properties by restraining crack propagation with bamboo cellulose-based carbon nanomaterials
Notice bibliographique
Résumé
The bamboo fiber functionalized with phthalic anhydride underwent carbonization, yielding bamboo cellulose-derived carbon nanomaterials (C-BCN). These C-BCN were subsequently integrated into an acrylamide precursor solution to synthesize an ultra-robust, fatigue-resistant conductive hydrogel (PAM-C-BCN). During in situ polymerization, the abundant active sites on the C-BCN surface facilitated covalent cross-linking with the polyacrylamide (PAM) matrix. This interfacial interaction promoted strong adhesion between the PAM chains and the carbon nanostructures, forming a densely interpenetrated network through macromolecular entanglement. The synergistic coupling of the rigid C-BCN framework with the flexible polymer chains conferred exceptional mechanical resilience and energy dissipation capabilities to the composite hydrogel. Compared to the PAM hydrogel, the PAM-C-BCN hydrogel exhibited an improvement in mechanical properties, with a fracture strength of 363 kPa (a 2.5% increase), an elongation of approximately 2 254% (a 2.0% increase), a fracture energy of 30 kJ/m 2 (a 3.1% increase), and a toughness of 3.04 MJ/m 3 (a 4.1% increase). Moreover, PAM-C-BCN hydrogel demonstrated high adhesion (up to 7.5 kPa on pigskin) and conductivity (0.21 S/m). This strategy required neither complex design nor processing, offering a simple and efficient approach with great potential for hydrogel applications requiring high mechanical performance. At the crack tip of PAM-C-BCN hydrogel, C-BCN exhibited superior crack propagation resistance compared to SiO 2 nanoparticles. Importantly, this strategy offered valuable insights for developing tough and stretchable hydrogels.
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 ».