Optimization of the sieving process as applied to mechanical recycling of glass fibre reinforced composites
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
With rapid composites development, immense quantities of fibreglass waste will accumulate in the environment. Mechanical recycling has been shown to be an adequate method to tackle this problem, while Fused Filament Fabrication (FFF) could serve as a high-value application of recyclate. In this lab-scale study, the important sieving step in mechanical recycling was optimized using a coupled Taguchi and Grey Relational Analysis approach to improve the yield percent of useable fine recyclate and its yield rate while minimizing the content of oversized fibres. Shredded and ground fibreglass composite was sieved in a 200 mm diameter shaker while the input mass, sieving duration, anticaking additive content, and sieving aid content were varied according to the Taguchi arrays. A 35 % yield and a 2.0 g/min or 120 g/h yield rate of fine recyclate were achieved, while a range of 0.4–8.6 % oversized fibre content was observed. Using Grey Relational Analysis, the best operating condition was achieved with 30 wt % of sieve input, 20 min of sieving time, and 100 % sieving aid coverage on the 600, 425, 250, and 150 μm sieves. Fibre length distributions were mostly similar between the runs. Overall, percentage yield and yield rate behaved in competition, where optimizing for one reduced the other. Sieving aids benefited both performance metrics simultaneously. Use of fumed silica, a finely powdered anticaking additive used by industry to reduce agglomeration, was found to be detrimental during Grey Relational Analysis, while maximal sieving aid content was preferred.
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.
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 | 0,001 |
| 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 découle