Four-Dimensional Printing of Auxetic Structures Using Nanocellulose-Reinforced PLA/PETG Blends
Notice bibliographique
Résumé
This study explores the development of 4D-printed smart structures based on PLA/PETG (75/25) polymer blends reinforced with nanocellulose (0–3 wt%), processed using fused filament fabrication (FFF). Both conventional U-shaped specimens and anti-tri-chiral auxetic architectures were fabricated to evaluate the effects of nanocellulose on mechanical performance and shape memory behavior. Tensile tests demonstrated that nanocellulose reinforcement enhanced both strength and stiffness, with the highest values observed at 2 wt% (tensile strength of 56 MPa and Young’s modulus of 3.3 GPa). In standard U-shaped samples, all compositions showed excellent shape fixity and recovery (100%). For auxetic structures, shape memory behavior and deformation response varied with nanocellulose content. Notably, 2 wt% nanocellulose yielded the highest shape recovery ratio (90.8%) and fixity (99.8%), indicating improved elasticity and structural responsiveness. Meanwhile, 1 wt% nanocellulose resulted in the highest energy absorption and more controlled deformation under compression, suggesting enhanced energy dissipation and stress distribution. A slight decrease in performance at 3 wt% is attributed to nanocellulose agglomeration and reduced polymer chain mobility. These findings highlight nanocellulose as a multifunctional additive that enables fine-tuning of mechanical and functional properties in 4D-printed structures. Depending on the intended application whether focused on energy absorption, mechanical strength, or shape recovery nanocellulose content can be strategically adjusted. This approach opens pathways for designing responsive materials suited for biomedical engineering, adaptive devices, and advanced environmental technologies.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».