Mechanical, Thermal, and Morphological Analysis of 3D-Printed Polylactic Acid–Polyester Urethane Blends with Varied Infill and Material Compositions
Notice bibliographique
Résumé
Multimaterial 3D printing allows for the production of intricate parts with customized mechanical properties, enhancing the versatility of material extrusion additive manufacturing. Typically, 3D printing machines are fed with commercially available filament feedstock, which limits the 3D printing of multiple materials. Hence, this study introduces in-house prepared filaments for creating polymer blend structures with improved properties. In this study, polylactic acid and thermoplastic poly ester urethane (PEU) blends with different composition ratios were processed by varying the infill densities to evaluate their impacts on their thermal, mechanical and morphological properties. The effects of infill percentage on the mechanical, thermal and morphological behaviour were investigated. The results indicate that increasing the infill percentage tends to significantly increase the elastic modulus and tensile strength. The maximum strain increased as the infill percentage increased. Overall, the mechanical results indicated that, without sacrificing any tensile strength, the composite with 25% PEU exhibited better toughness than did the neat PLA and could be printed similarly to that of PLA. Furthermore, scanning electron images revealed that the blends had a homogeneous structure with a fibrillar morphology. These results indicate that 3D printing is an effective technique for creating next generation 4D materials.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».