Plasma-Based Amorphous Carbon Coatings on Polymeric Substrates for Biomedical Applications: A Critical Review Focused on Adhesion
Notice bibliographique
Résumé
Material surfaces are of primary importance in biomaterial development, significantly influencing implant lifespan and clinical success. Consequently, coating technologies are frequently employed to modify surface properties and functionality. Plasma-based amorphous carbon coatings have been widely applied to all classes of substrates to improve their tribology, corrosion resistance, hardness, and even biological properties. Plasma technology is widely recognized to be effective, not only for the deposition of amorphous carbon coatings but also for substrate pre-treatment, in which it may play a key role in activating surfaces and enhancing interfacial adhesion. Amorphous carbon coatings can be classified into two major categories: diamond-like carbon (DLC) and polymer-like carbon (PLC), according to their mechanical properties. Regardless of their nature, the adhesion of both types of amorphous carbon coatings to the substrate has always represented a major challenge. Several strategies have been reported to enhance the adhesion of DLC coatings to silicon wafers, metals, and glass substrates. However, few studies report strategies aimed at controlling the adhesion of (both types of) amorphous carbon coatings to polymeric substrates, polymeric implants, and polymeric devices. Therefore, this work aims to provide a state-of-the-art review on the adhesion of amorphous carbon coatings to polymeric substrates for biomedical applications. Furthermore, this review presents the main techniques used to assess adhesion and the strategies available to improve adhesion between coatings and polymeric substrates.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 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 ».