Farklı Katkıların Poliüretan Köpüklerin Termal ve Akustik Özellikleri Üzerine Etkileri
Bibliographic record
Abstract
Poliüretan köpüklerin performansını ve işlevselliğini artırmak için katkı malzemeleri sıklıkla kullanılmaktadır. Bununla beraber, katkı malzemesinin seçimi, kullanım miktarı poliüretan köpüğün sahip olduğu diğer özellikleri olumsuz etkilemeden iyileştirilmesi istenen özelliğine göre değişkenlik göstermektedir. Çalışma kapsamında, yarı esnek poliüretan köpüğün, fiziksel özelliklerinden ve akustik performansından ödün vermeden, ısıl iletim katsayısının düşürülmesine yönelik silika aerojel, bentonit ve vermikülit katkı malzemeleri, poliol içerisine poliol’e göre kütlece %1 oranında eklenmiştir. Elde edilen poliüretan numunelerin ısıl iletkenlik ölçümlerinde, katkısız yarı esnek poliüretan köpüğe göre ısıl iletkenlik değerinin aerojel katkısıyla %16,37, bentonit katkısıyla %15,91, vermikülit katkısıyla %17,30 oranında azaldığı görülmüştür. Ses yutum katsayısı sonuçları incelendiğinde, katkı malzemesi ilavesinin yarı esnek poliüretan köpüğün (YEPU) akustik performansını olumlu yönde etkilediği, düşük frekanslarda (160-500Hz) aerojel katkılı YEPU ile yüksek frekanslarda (800-6300Hz) ise vermikülit katkılı YEPU ile en iyi performansın elde edildiği tespit edilmiştir.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.022 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".