Fracture of Graphene-Ceramic Composites With Defect
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
Abstract Utilized in various protective barriers, electronics, energy devices, and aerostructures, silicon carbide (SiC) is celebrated for its superb thermo-chemo-mechanical properties. Particularly, modifying SiC with various additives such as graphene-based inclusions has recently proved to be a practical way to attain damage-tolerant SiC ceramic matrix composites with various multifunctionalities. Nonetheless, the presence of defect in the aforementioned hybrid material could have noticeable impact on their mechanical properties including fracture performance. Such problem received less attention so far due to the difficulties in tracking defects in experiments and incapability of the traditional modeling and computational platforms. In that regard, the fracture of hybrid graphene-SiC system with defect is examined in this work. To this end, phase field model of brittle fracture is developed to address damage mechanics and crack propagation across the defective graphene-SiC hybrid materials. The numerical results reveal that the location and density of defects have adverse influence on the resistance to complete fracture of the above-mentioned hybrid materials. Basically, the resistance to complete fracture decreases for the graphene-ceramic composite with defect closer to the initial notch location. Further, resistance to complete fracture is lowered remarkably as the density of defect increases inside the ceramic matrix; thus, defect is anticipated to be considered as a design parameter to achieve reliable and multifunctional graphene-ceramic composites with enhanced fracture properties.
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 | 0,000 |
| 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) | 0,005 | 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