Automatische Bestimmung von Dispersion, Defekten, Aushärtung und thermischen Eigenschaften von Polymerverbundwerkstoffen mittels Mikro

Scientific Reports Band 13, Artikelnummer: 2787 (2023) Diesen Artikel zitieren

902 Zugriffe

2 Altmetrisch

Details zu den Metriken

Die Infrarot-Thermografie ist eine zerstörungsfreie Technik, die in vielen Bereichen eingesetzt werden kann, einschließlich der Untersuchung von Polymerverbundwerkstoffen. Basierend auf der Variation des Emissionsvermögens und des thermischen Diffusionsvermögens; Komponenten, Defekte und Aushärtungszustand des Verbundwerkstoffs können identifiziert werden. Allerdings ist die manuelle Verarbeitung von Wärmebildern, die erhebliche Artefakte enthalten können, anfällig für fehlerhafte Komponenten- und Eigenschaftsbestimmungen. In dieser Studie wurden Wärmebilder verschiedener Polymerverbundwerkstoffe auf Graphit-/Graphenbasis, die mit Hand-, Planeten- und Chargenmischtechniken hergestellt wurden, mithilfe eines automatischen maschinellen Lernmodells analysiert. Größe, Form und Position des Füllstoffs können in Polymerkompositen identifiziert werden und so wurde die Dispersion verschiedener Proben trotz Artefakten im Wärmebild mit einer Auflösung von ~ 20 µm quantifiziert. Für 40 % Graphit im Elastomer wurde ein Vergleich der thermischen Diffusionsfähigkeit von drei Mischtechniken durchgeführt. Das Chargenmischen zeigte eine bessere Dispersion als das Mischen mit Planeten- und Handrührwerken, da der Dispersionsindex (DI) für das Mischen mit Chargen 0,07 betrug, während das Mischen mit Planetenrührwerken und das Mischen von Hand jeweils 0,0865 und 0,163 betrugen. Die Aushärtung wurde für ein Polymer mit verschiedenen Füllstoffen untersucht (PDMS benötigte 500 s, während PDMS-Graphen und PDMS-Graphitpulver 800 s zum Aushärten brauchten) und eine thermische Kennlinie wurde erstellt, um die Verbundqualität zu vergleichen. Daher können die oben genannten Methoden mit maschinellen Lernalgorithmen ein hervorragendes Werkzeug zur quantitativen und qualitativen Analyse von Verbundwerkstoffen sein.

Polymerverbundstoffe bestehen aus zwei oder mehr Materialien (Matrix und Füll-/Verstärkungs-/Additivmaterialien), deren Eigenschaften den Eigenschaften der einzelnen Materialien überlegen sind1,2,3. Aufgrund seiner synergistischen Eigenschaften und Anwendungen in den Bereichen Luft- und Raumfahrt, Automobil, Schifffahrt, Energie und Verbraucher hat es das Interesse sowohl der Industrie als auch der Wissenschaft geweckt4,5,6,7,8. Unter allen Füllstoffen oder Verstärkungsmaterialien hat sich Graphit oder Graphen aufgrund seiner außergewöhnlichen mechanischen, thermischen und elektrischen Eigenschaften zu einem idealen Kandidaten entwickelt. Daher haben Polymerverbundwerkstoffe auf Graphenbasis in den letzten Jahrzehnten das Interesse der wissenschaftlichen Gemeinschaft geweckt.

Die Eigenschaften von Polymerverbundwerkstoffen hängen maßgeblich von der Verteilung der Füllstoffe auf der Polymermatrix ab. Somit wird die Leistung eines Polymerverbundwerkstoffs (schlecht oder gut) direkt vom Grad der Agglomeration bestimmt, was zu Eigenschaftsschwankungen des Verbundwerkstoffs führen kann. Die Untersuchung der Partikel-/Beladungsgröße, -form und -größe kann mithilfe der Transmissionselektronenmikroskopie (TEM)9 durchgeführt werden, ist jedoch auf relativ kleinere Proben beschränkt. Rasterelektronenmikroskopie kann eine weitere Technik zur Bestimmung der Dispersion sein, und Fu et al. berechneten den Dispersionsindex für Kohlenstoffnanoröhren (CNT), indem sie die Bilder in Gitter unterteilten10. Die meisten TEM- und SEM-Verfahren, die teuer sind und einen komplexen Probenvorbereitungsprozess erfordern (die Probenvorbereitung kann zerstörerisch sein), werden eingesetzt, um die Dispersion von Füllmaterialien mit geringem Gewichtsanteil in einem kleineren Maßstab qualitativ abzuschätzen11.

Eine weitere Herausforderung bei der umfassenden Verwendung von Polymerverbundwerkstoffen besteht darin, eine zerstörungsfreie Methode zur Überprüfung der Qualität/Leistung der Verbundwerkstoffe zu entwickeln. Die Ultraschallmethode (Impulsakustikmikroskopie) wurde verwendet, um die Füllstoffverteilung oder Mikrostruktur in Kohlenstoffnanokompositproben zu untersuchen, die mit einer herkömmlichen Methode und einem Vakuummischer hergestellt wurden12. Die potenziellen Anwendungen in der Industrie werden jedoch durch die Langsamkeit dieser zerstörungsfreien Bewertungstechnik (NDE) bei der Probenvorbereitung und die Möglichkeit, nur kleinere Proben zu scannen, eingeschränkt13.

Die Entwicklung eines NDE-Verfahrens zur quantitativen statt qualitativen Messung der Dispersion, Partikel-/Füllstoffgröße, -form und -agglomeration kann eine hervorragende Technik zur Vorhersage der Leistung von Polymerverbundwerkstoffen sein. Die Infrarot-Thermografie (IR) ist eine berührungslose Methode zur Messung von Temperaturschwankungen, bei der die von einem Objekt emittierte Infrarotstrahlung analysiert wird14. Unter den verschiedenen Thermografiemethoden wird im Allgemeinen die aktive Thermografie (externe Anregung der Probe) verwendet, um Oberflächen-/Unteroberflächenfehler in faserverstärkten Verbundwerkstoffen oder Betonstrukturen zu erkennen15. Die durch aktive IR-Thermographie (einige mm Tiefe) ermittelte Oberflächentemperatur kann zur Bestimmung der Innentemperatur von Verbundwerkstoffen (Wärmeübertragungsmodellierung über die gesamte Tiefe) und damit zur Bestimmung der Verbundwerkstoffqualität dienen16. Für eine eingehende Analyse kann die Lock-in-Thermografie ein nützlicher Ansatz sein, allerdings muss der Bediener zum Testen die thermische Anregungsfrequenz ändern17,18. In den letzten Jahren sind Verbundwerkstoffe mit Füllstoffen in Nano-/Mikrogröße stark aufgekommen, was den Bedarf an Thermografie im Mikromaßstab unterstreicht. Daher kann die im Mikromaßstab durchgeführte aktive Infrarot-Thermografie eine nützliche Technik zur Messung der Dispersion von Nano-/Mikrofüllstoffen sein. Beispielsweise wurde die Infrarot-Thermografie von Pantano et al. verwendet. um die schlechte Dispersion von Kohlenstoffnanoröhren in Nanokompositen zu bewerten19. Ashraf et al. untersuchten die Dispersion (quantifiziert als Dispersionsindex) und die thermischen Eigenschaften von Graphen-Polymer-Verbundwerkstoffen mithilfe einer Nahlinsen-Infrarot-Thermografie20. Gresil et al. untersuchten die Kartierung der thermischen Diffusivität von Polymernanokompositen auf Graphenbasis mit einer Auflösung von 200 µm pro Pixel21. Die Erkennung von Hohlräumen oder Fehlern wird auch bei Verbundwerkstoffen auf Graphenbasis mittels Infrarot-Thermografie ermittelt22. Der oben erwähnte Prozess zur Bestimmung der Form und Größe des Füllmaterials/Hohlraums/Fehlers ist jedoch manuell und nimmt daher viel Zeit in der Fertigungslinie in Anspruch. Darüber hinaus liefern defokussierte Bilder oder Bilder mit Artefakten/Leerstellen/Füllmaterial manchmal falsche Informationen über die Probenqualität. Um genaue Ergebnisse zu erzielen, sollte daher eine automatische Erkennung von Füllmaterialien, Hohlräumen, Fehlern und Artefakten eingesetzt werden. Nach unserem besten Wissen wurde von der wissenschaftlichen Gemeinschaft noch nicht über die automatische Quantifizierung von Dispersions-/Fehler-/Hohlraum-/Fremdmaterial bei Verbundwerkstoffen berichtet.

Nach der Erstellung von Wärmebildern aus jedem Experiment kann die Dispersion quantifiziert werden, indem für jedes Bild mithilfe der Bildverarbeitung ein Farbschwellenwert ermittelt wird. Um eine solche nachgelagerte Quantifizierung zu nutzen, sind jedoch unrealistische menschliche Anstrengungen erforderlich; Es ist unnötig zu erwähnen, dass das Risiko fehlerhafter Ergebnisse erheblich ist. Oft ist es unmöglich, die Streuung anhand verrauschter oder unvollständiger Daten korrekt zu quantifizieren. Artefakte stellen grundsätzlich eine große Gefahr bei der Quantifizierung dar, da es schwierig ist, sie von Nanofüllstoffen in einem Wärmebildrahmen zu unterscheiden, es sei denn, man hat vollständigen Zugriff auf nachfolgende (oder vorherige) Bildrahmen des Experiments. Die jüngste Entwicklung von Bildverarbeitungstechniken, die größtenteils über Get-Go-Bibliotheken in MATLAB, Python oder R verfügbar sind; hat sich bei solchen Ereignissen als recht nützlich erwiesen, obwohl es weder den manuellen Aufwand verringert noch die Genauigkeit gewährleistet. Ein neuerer Versuch, maschinelles Lernen in automatisierte Bildverarbeitungsaufgaben wie Bildsegmentierung, Rauschentfernung, Objekterkennung, Wiederherstellung usw. einzubeziehen, hat sich als erfolgreich erwiesen23,24,25,26,27,28,29,30 und bedarf einer Bewertung zur Dispersionsquantifizierung in ähnlicher Weise. Wir stellen eine Methode zur Quantifizierung der Oberflächendispersion unter Verwendung des neuronalen Fourier-Operators SDFN vor, die ein Wenig-Schuss-Lernen auf thermischen Daten durchführt und die Dispersion automatisch quantifiziert, wenn sie mit Daten aus unbekannten Experimenten präsentiert wird.

Der Einschluss zahlreicher Zusatzstoffe (z. B. Fördermittel, Füllstoffe usw.) in kommerziellen Formulierungen führt zu einer komplexen Aushärtungskinetik, sodass ein gründliches Verständnis der Aushärtung die wichtigste Voraussetzung für die Optimierung von Verbundwerkstoffprozessen ist31. Durch Erhitzen der Probe gegenüber Umgebungsbedingungen steigt die Temperatur vor dem Aushärten auf einen bestimmten Maximalpunkt an (je nach Füllmaterial), gefolgt von einem plötzlichen Temperaturabfall. Durch den Füllstoffeinfluss verändert sich die Reaktionsgeschwindigkeit bzw. Härtungskinetik (Änderung der Geschwindigkeitskonstanten)32. Somit kann die Aufzeichnung der Temperaturänderung über die Zeit Informationen über die Aushärtung liefern (Mikroskalen-/Massenaushärtungsanalyse), was mit herkömmlichen Methoden wie der Differentialscanningkalorimetrie (DSC) nur schwer zu erreichen ist.

In dieser Studie führten wir eine Dispersionsanalyse mittels IR-Thermographie im Mikromaßstab in einer Vielzahl von Proben durch, die per Hand, Planeten- oder Chargenmischung hergestellt wurden. Verschiedene Mischtechniken können die Dispersionseffizienz und damit die Verbundeigenschaften erheblich verändern. Diese Proben wurden mit SDFN analysiert und ermöglichten somit eine effiziente Quantifizierung der Füllstoffmenge oder -dispersion von Polymerkompositen. Die thermische Diffusionsfähigkeit quantifiziert die Geschwindigkeit der Wärmeübertragung in einer Probe, und die Diffusionsfähigkeit von Polymerverbundwerkstoffen wird durch Dispersion/Homogenität beeinflusst. Daher wurden die Kartierung der thermischen Diffusionsfähigkeit und damit der Dispersionsindex verschiedener Mischtechniken verglichen. Schließlich wurden die Härtungsanalyse von Polymeren mit verschiedenen Füllstoffen und die thermischen Eigenschaften von Hand-, Planeten- und Chargenmischproben untersucht.

Drachenhaut und Ecoflex 00-30 (platinkatalysierte Silikone) wurden von Smooth-On (USA) bezogen, und Graphitflocken (durchschnittliche Größe: + 20 Mesh (850 Mikrometer)) wurden von Asbury Carbons (USA) bezogen. Molybdändisulfid (MoS2-Pulvergröße 1,5 μm) wurde von ACS Materials LLC bereitgestellt. Das SYLGARD™ 184 Silikonelastomer-Kit wurde von Dow Corning bezogen. Graphen-Nanoplättchen (Oberfläche 750 m2/g, Größe ~ 2 μm) und Graphitpulver (~ 20 μm) wurden von Sigma Aldrich (USA) bzw. Fisher Chemicals erworben.

Drachenhaut, Teil A und Teil B, wurden mit Graphitflocken (G) mit 2,5, 5, 7,5 und 10 Gewichtsprozent gemischt. Graphit mit Teil A und Teil B wurde im Verhältnis 1:1 durch einfaches Handmischen und Hochgeschwindigkeits-Planetenschermischtechniken gemischt (zwei unterschiedliche Verfahren führen zu unterschiedlichen Dispersionen in Polymerverbundwerkstoffen). Ein weiteres Mischen eines höheren Graphitanteils (40 % G) in Ecoflex Teil A und Teil B erfolgte jeweils in einem Randcastle-Chargenmischer, in dem Massengraphit durch Scherexfoliation33 zu Graphen abgeblättert wird (es wurden zwei Proben hergestellt, die erste Probe hat 100 U/min). und 3 Minuten Mischen, die zweite Stufe beträgt 100 U/min und 10 Minuten Mischen). Einfaches Handmischen, Planetenmischen (1 Minute bei 2000 U/min gemischt) und Chargenmischen von Proben werden als 2,5/5/7,5/10 % G Hand, 2,5/5/7,5/10 % G Planeten und 40 % G bezeichnet Batch in diesem Manuskript jeweils. Die Spezifikationen für die in diesem Projekt verwendete Infrarot-Wärmekamera lauten: Kamera – montierte Infrarotkamera Fluke RSE600, Auflösung – 640 × 480, Bildrate: 60 Hz, Sichtfeld – 34 °H × 25,5 °V, thermische Empfindlichkeit ≤ 0,040 ° C bei 30 °C Zieltemperatur (40 mK).

Für die Analyse der Dispersion und thermischen Eigenschaften mittels IR-Thermographie wurden sowohl handgemischte als auch planetarisch gemischte 2,5–10 % G-Proben (Probengröße 15 × 8 mm2, Dicke 1,5 mm) mit einem SpotIR-Heizgerät erhitzt und 30 s lang in Umgebungsluft abgekühlt. Zusätzlich wurden für eine Dispersionsanalyse im höheren Bereich zwei 40 % G-Batch-Mischproben (Probe 1 und Probe 2) analysiert. Schließlich wurde die Kartierung der Wärmeleitfähigkeit von 40 % G-Batch-Proben, 40 % G-Planetenproben und 40 % G-Handproben, 10 % G-Proben (handgemischt) und 10 % G-Planetenproben mithilfe der modifizierten ASTM E1461-Standardtestmethode für die Wärmeleitfähigkeit durchgeführt durch die Flash-Methode34). Die Verwendung einer Laserquelle zum Erhitzen der Probe ist kostspielig und die Einwirkung des Lasers kann zu mehreren Verletzungen führen. Anstelle einer Laserquelle haben wir uns für eine SpotIR-Heizung Modell 4150 entschieden, die über eine konzentrierte Heizoption verfügt (enthält einen elliptischen Reflektor, Punktdurchmesser ~ 0,25 Zoll/6,4 mm). Zur Regelung der Leistung von 0 bis 100 % wurde ein Reglermodell (Modell 5420 mA Power Controller) verwendet. Ein Arduino wurde verwendet, um ein 4–20-mA-Stromsignal zum Betrieb des Controllers bereitzustellen, und das lieferte die entsprechende Leistung (0–100 %). Für die Erwärmung der Probe mit dem IR-Heizer wurde per Arduino-Programmierung eine Pulsdauer von 200 ms eingestellt. Der Aufbau für die Analyse der Dispersions- und thermischen Eigenschaften sowie die schematische Darstellung der Prüfung der thermischen Diffusionsfähigkeit für Polymerverbundwerkstoffe ist in Abb. 1a,b dargestellt. Abbildung 1c zeigt die IR-Erwärmung auf der Oberfläche, die durch das Arduino-Impulssignal gesteuert wird, sowie die Strahlungs- und Emissions-IR-Erfassung mit der Wärmebildkamera Fluke RSE600. Mithilfe der Zeiss-Feldemissions-Rasterelektronenmikroskopie (FESEM) wurde die Morphologie von Kaltbruchoberflächen untersucht. Unter Verwendung eines ReniShaw inVia-Reflexsystems mit 50-facher Vergrößerung wurden Raman-Daten mit einem 633-nm-Laser erfasst.

(a) Aufbau für die Analyse der Dispersion und thermischen Eigenschaften von Polymerverbundwerkstoffen mittels Infrarot-Thermografie, (b) Schematische Darstellung der thermischen Diffusivitätsprüfung für Polymerverbundwerkstoffe, (c) Schematische Darstellung der IR-Erwärmung auf einer Probenoberfläche und IR-Erfassung mit der Wärmebildkamera Fluke RSE600.

Wie im vorherigen Abschnitt erwähnt, besteht das Ziel darin, das Muster von Nano-/Mikrofüllstoffen anhand von Wärmebildern zu verstehen. Da es sich um Zeitreihendaten handelt und die Wärme proportional mit der Zeit variiert, stellt jedes Bild im Wesentlichen eine andere Temperaturverteilung dar. Der neuronale Fourier-Operator wurde erstmals eingeführt, um die Familie der PDEs30 zu lösen. Um seine Wirksamkeit zu steigern, wurde daher das SDFN-Modell vorgeschlagen, das die zugrunde liegende Natur der Materialzusammensetzung versteht und nicht ausschließlich auf die besondere Wärmesignatur dieses Bildes achtet. Um das Modell zu trainieren, wurden 9 verschiedene experimentelle Daten mit unterschiedlicher Materialzusammensetzung und Temperatur gesammelt. Die Idee hinter der Erstellung eines solchen Datensatzes besteht darin, dass das Modell zunächst aus einem vielfältigen Datensatz lernen muss, wenn es die Darstellung von Nanoporen in bisher nicht sichtbaren Daten unterschiedlicher Temperaturen genau verstehen und verallgemeinern muss. Sobald das Modell anhand der Daten aus diesen 9 Experimenten trainiert wurde, kann es zur Quantifizierung der Streuung aus einem noch nie zuvor gesehenen Wärmebild eingesetzt werden.

Die SDFN-Architektur ist schematisch in Abb. S1 dargestellt. Der neuronale Operator hat 7 Schichten – die ersten beiden Schichten (P) dienen der hochdimensionalen Merkmalsdarstellung (erhebende Schichten) und die letzte Schicht dient der Projektion auf die Zieldimension (Projektionsschicht). Die restlichen Schichten sind jeweils eine Kombination aus Fourier- und linearen Unterschichten. Ein Bild der Größe M × N × 3 wird dem Netzwerk zugeführt. Dabei ist M die Breite, N die Höhe und 3 die Anzahl der Kanäle. Die ersten beiden Kanäle sind eine Netzdarstellung der x-Koordinaten und der y-Koordinaten des Wärmebildes. Der dritte Kanal ist die thermische Signatur selbst. Das Netzwerk hebt dieses M × N × 3-Bild zunächst auf die Größe M × N × W an, wobei W ein Hyperparameter ist. Dies wird durch \({\mathcal{F}}\) geleitet, das die diskrete Fourier-Transformation darauf anwendet und die 30 niedrigeren Frequenzmodi aus diesen hochdimensionalen Daten behält. Der Hauptgedanke hinter der Beibehaltung nur dieser Modi mit niedrigerer Frequenz besteht darin, eine gute Verallgemeinerung zwischen den Bildern zu erreichen und Rauschen zu vermeiden, das meist in höheren Frequenzen enthalten ist. Als nächstes durchläuft es Schicht R. Dies ist die Schicht, in der das Modell die Multiplikatoren für die Fourier-Komponenten optimiert und speichert. Als nächstes wird die Ausgabe der R-Schicht mithilfe der inversen Fourier-Transformation bei \({\mathcal{F}}^{ - 1}\) transformiert. Es gibt auch eine lineare Ebene W, die Gewichte enthält, die mit der Roheingabe multipliziert werden können. Die Ausgabe der linearen Unterschicht W wird zur Ausgabe von \({\mathcal{F}}^{ - 1}\) addiert. Später wird diese kombinierte Ausgabe durch eine GELU-Aktivierungsfunktion σ35 geleitet. Die Aktivierungsfunktion bezeichnet das Ende einer Fourier-Schicht. Schließlich wird die Ausgabe von drei solchen Schichten dann einer Projektionsschicht Q zugeführt, die die hochdimensionalen Daten zurück in ein Bild der Größe M × N × 1 umwandelt, was unsere erwartete Ausgabe ist, d. h. Schwellenwertbilder. Sobald diese Ausgabe erstellt wurde, kann jeder ganz einfach die schwarzen Pixel zählen und die Oberflächendispersion angeben.

Die Elastomer-/Polymermatrix weist im Vergleich zu den in Verbundwerkstoffen zugesetzten Füllstoffen/Additiven ein anderes Emissionsvermögen auf. So können Füllstoffe mithilfe einer IR-Wärmekamera leicht erkannt werden. Durch die Analyse des von der IR-Kamera aufgenommenen Bildes kann die Ausbreitung in der Oberfläche erkannt werden. Durch die Bildverarbeitung ist eine Quantifizierung der Dispersion in Echtzeit möglich. Dies kann eine nützliche Methode zur Analyse der Größe, Form, Hohlräume und Fremdstoffe in Verbundwerkstoffen von Füllstoffen sein. In einer Fertigungs- oder Produktionslinie kann diese oben genannte Methode angewendet werden, um festzustellen, ob die Charge von Standardqualität ist oder nicht.

Abbildung 2 zeigt die thermische Signatur (Temperatur in jedem Pixel), die von der IR-Kamera erhalten wurde, gefolgt vom vorhergesagten Bild und dem tatsächlichen Bild, das durch Bildverarbeitung und maschinellen Lernalgorithmus erhalten wurde (für 2,5 % G Planetary, 2,5 % G Hand, 10 % G Planetary und). 2,5 % G Handproben). Füllstoffe sind trotz Herstellungsfehlern/Artefakten/verschwommenen Bildern aufgrund des manuellen Versuchsaufbaus und der verlustbehafteten Erzeugung klar unterscheidbar. Das wahre Bild zeigt dann die Streuung, die manuell zum Trainieren des maschinellen Lernmodells erzeugt wurde. Dies ist das einzige Mal, dass das Modell diesen manuellen Aufwand erfordert. Das Modell wurde in 4 verschiedenen Setups mit jeweils 50, 100, 200 und 500 Daten trainiert. Selbst wenn mit 50 Bildern trainiert wird (im Durchschnitt ~ 5 Bilder aus jedem Experiment), kommen die vorhergesagten Bilder nahe an das wahre Bild heran, sind jedoch nicht optimal. Der Testverlust und Trainingsverlust des SDFN-Modells mit diesem unterschiedlichen Laufaufbau ist in Abb. S2 dargestellt. Wie erwartet erreicht das auf 500 Daten trainierte Modell einen minimalen Trainingsverlust (~ 0,06) und konvergiert dadurch. Für optimale Ergebnisse kann eine Trainingsdatensatzgröße von 200 oder 500 verwendet werden. Zusätzlich sind in Abb. S3 thermische, vorhergesagte und Testbilder von Hand- und Planetenproben mit 5 % und 7,5 % G dargestellt. Für den höheren Graphit- und Graphengehalt wurden auch Chargenmischproben mit 40 % G genau untersucht. Rasterelektronenmikroskopische (REM) Bilder für 40 Gew.-%. G-Charge wurde in Abb. 3a, b gezeigt. Diese Bilder zeigen die Graphenflocken und ihre Formen an verschiedenen räumlichen Orten. Die Raman-Spektroskopie bietet eine zuverlässige Technik zur Bestimmung der Anzahl der Schichten und einiger anderer Eigenschaften in einem kohlenstoffbasierten Material36. Die normalisierte Intensität der 2D-Bande beträgt 0,52 im Vergleich zur G-Bande (I2D/IG) (Abb. 3c), was darauf hinweist, dass während der Graphen-Abblätterung nur wenige Graphenschichten gebildet wurden. Daher wurde in der Thermographie neben Graphen auch Graphit nachgewiesen, und die thermische Signatur sowie die vorhergesagten Bilder der 40 % G-Batch-Probe sind in Abb. 4a, b dargestellt. Abbildung 4c,d zeigt das wahre und binäre Bild der Probe. Da der Graphit/Graphen zufällig verteilt war, kann die Oberflächendispersion mithilfe der folgenden Formel in Gleichung berechnet werden. (1)37:

Dabei ist Aflake die Pixelfläche des Füllbereichs (schwarzer Bereich) und Atotal die Gesamtfläche. Oberflächendispersion berechnet aus Gl. (1) für verschiedene Mischprozesse (Proben wurden mit niedrigen und hohen Mengen an Graphit (G) % sowohl durch Hand- als auch durch Planetenmischen hergestellt) ist in Abb. 4e dargestellt. Die Streuung der Hand- und Planetenproben mit niedrigem G betrug 2,6619 bzw. 2,7929, was eine bessere Streuung bei der Planetenmischung darstellt. Bei Proben mit hohem G betrug die planetarische Probendispersion 9,5593 %, während sie beim Mischen von Hand 6,7509 % betrug. Dies verdeutlicht weiter die bessere Mischfähigkeit (weniger Agglomeration) der Planetenmischung. Andererseits zeigte die durch Chargenmischen hergestellte Probe eine Oberflächendispersion von 25,4863 %. Daher kann die Oberflächendispersion/-verteilung mithilfe der Thermografie im Mikromaßstab ermittelt werden, was nützlich sein kann, um die Leistung von Verbundwerkstoffen zu bestimmen, wenn Oberflächenphänomene (Oberflächenbenetzbarkeit, Leitfähigkeit) wichtig sind.

Wärmebild, entsprechendes vorhergesagtes und wahres Bild für (a) 2,5 % G Planetary, (b) 2,5 % G Hand, (c) 10 % G Planetary, (d) 10 % G Hand. Das Wärmebild wird manuell in die Bildverarbeitung eingespeist, um Artefakte, Hohlräume oder Unschärfen zu entfernen (Maßstabsbalken = 1000 Mikrometer, der umschließende Bereich des roten Kreises weist auf Artefakte aufgrund der Behältermarkierung hin, der umschließende Rechteckbereich weist auf den leeren Bereich hin). Das Wärmebild wird dann in ein maschinelles Lernmodell eingespeist, um die tatsächliche Fertigung zu erhalten. Durch die Eingabe einiger thermischer Signaturen kann diese Lernmethode sehr schnell echte Fabrikationen aufzeigen.

(a und b) SEM-Bild, das die Graphenmorphologie in einer 40 % G-Chargenprobe an verschiedenen Orten zeigt, (c) Raman-Spektroskopie einer 40 % G-Chargenprobe.

(a) Wärmebild, erhalten für 40 % G Batch-Mischen (unscharf in der oberen linken Ecke), (b–d) entsprechendes vorhergesagtes Bild, echtes und binäres Bild, erhalten durch maschinelles Lernen und Bildverarbeitung (die durch Out verursachte Unschärfe entfernt). des Fokus) des Wärmebildes in (a), (e) Dispersion (%) verschiedener Mischprozesse, berechnet aus den Flächenpixeln der Verbundstoffe.

Bei Polymerverbundwerkstoffen sind Hohlräume typischerweise das Ergebnis einer mangelhaften Herstellung oder Fertigung des Materials und wirken sich daher auf die mechanischen Eigenschaften und die Lebensdauer der Verbundwerkstoffe aus. Es kann auch als Rissentstehungs- und Feuchtigkeitseintrittsstelle dienen38. Um die gewünschte Eigenschaft von Polymerverbundwerkstoffen zu erhalten, sollten daher Hohlräume vermieden werden. Die Analyse der Hohlräume mittels herkömmlicher Mikroskopie oder optischer Bildgebung ist umständlich. Mithilfe der Infrarot-Thermografie können Hohlräume jedoch identifiziert werden, da sie eine andere Temperatursignatur aufweisen als Füllstoffe und Polymermatrix. Durch die Analyse jedes Pixels können ähnliche Bereiche (Leer-/Fremdmaterial) bestimmt werden, da die Temperatur innerhalb eines bestimmten Bereichs liegt. Um diese Hypothese zu verifizieren, wurden Elastomerkomposite mit bestimmten Bereichen mit MoS2-Füllstoffen hergestellt und dann mit Graphitfüllstoffen und einem weiteren Bereich ohne Füllstoffe gemischt. Abbildung S4 zeigt, dass MoS2- und Graphitfüllstoffregionen niedrigere bzw. höhere Durchschnittstemperaturen aufweisen als die Polymerregion. Dies wird auf den unterschiedlichen Emissionsgrad verschiedener Bereiche der Probe zurückgeführt. Somit kann jegliches Fremdmaterial, das in einer Polymerverbundprobe vorhanden ist, mittels Infrarot-Thermographie identifiziert werden.

Die Kartierung der thermischen Diffusionsfähigkeit erfolgte unter Verwendung der ASTM E1461-Standardtestmethode für die thermische Diffusionsfähigkeit nach der Flash-Methode21,39. Bei gleichem Gewichtsprozentsatz ist der Dispersionsgrad der Graphitfüllstoffe in Proben unterschiedlich, die mit unterschiedlichen Methoden (Hand-, Planeten- oder Chargenmischen) hergestellt wurden. Unter Verwendung einer gepulsten Wärmequelle (SpotIR-Heizung) wurde die Temperatur der Rückseite mit einer IR-Wärmekamera Fluke RSE600 aufgezeichnet. Die Halbwertszeit (t1/2), die ab Beginn des Impulses für die Rückseitentemperatur von der Grundlinie bis zu ihrem Maximum erforderlich ist, ist zur Messung der thermischen Diffusionsfähigkeit α erforderlich. Unter Verwendung der folgenden Gleichung: (2) kann die Temperaturleitfähigkeit gemessen werden:

wobei L die Dicke der Probe ist. Für das Experiment zur Wärmeleitfähigkeit betrug die geometrische Auflösung für die Prüfung der Wärmeleitfähigkeit ~ 0,1 mm/Pixel. Da die IR-Kamera das gesamte Bild in 640 × 480 Pixel unterteilt, wurde durch die Analyse jedes Pixels die Temperaturleitfähigkeit der Probe bestimmt. In unserem Experiment könnte es zu Wärmeverlusten und einer ungleichmäßigen Erwärmung gekommen sein, da die Probe in einem Bereich mit einem Durchmesser von etwa 6,4 mm erhitzt wurde. Daher wurde die relative Temperaturleitfähigkeit bestimmt, um die Dispersion in Polymerkompositen in einem semiquantitativen Ansatz mit Hilfe von maschinellem Lernen zu vergleichen. Dabei wird der Dispersionsindex (DI) aus der thermischen Diffusivität berechnet, um die Homogenisierung/Dispersion von Verbundwerkstoffen zu quantifizieren. Der Dispersionsindex ergibt sich aus (Gleichung 3):

wobei αmin und αmax die minimale und maximale thermische Diffusionsfähigkeit der Probe bezeichnen. Der DI variiert zwischen 0 und 1, ein Wert nahe 0 bedeutet eine gleichmäßige Füllstoffverteilung.

Drei verschiedene Mischmethoden (Hand-, Planeten- und Chargenmischen) wurden verwendet, um die Dispersion der Proben zu vergleichen und so die Qualität der Homogenität dieser Methoden sicherzustellen. Durch Ermittlung der Durchschnittstemperatur über den gesamten Probenbereich wird das Temperaturprofil für 40 % G-Handproben, 40 % G-Planetenproben bzw. 40 % G-Chargenmischproben in Abb. 5a–c dargestellt. Die Halbwertszeit (t1/2) wurde aus dem Temperaturprofil berechnet. Durch Messung jedes Pixelhalbzeitanstiegs (t1/2) wurde die thermische Diffusionsfähigkeit in jedem Pixel berechnet. Um den Ausbreitungsindex für einen bestimmten Bereich zu berechnen, werden die maximale und minimale Wärmeleitfähigkeit benötigt. Daher haben wir die Streuung bestimmt, indem wir die Fläche in 4 Quadrate unterteilt haben. Abbildung 5d zeigt den Dispersionsindex mit Fehlerbalken für jede Probe. Der mittlere Dispersionsindex für Hand-, Planeten- und Chargenmischen (gesamte Probe) betrug 0,163, 0,0865 bzw. 0,07. Die von Hand gemischte Probe zeigte jedoch einen breiten Streuungsbereich an verschiedenen Positionen und die Planetenprobe wies einen Streuungsindex von 0,04–0,10 auf. Die Chargenmischprobe zeigt einen engeren Bereich des Dispersionsindex, was bedeutet, dass die Dispersion der Füllstoffe im gesamten Verbundwerkstoff nahezu gleich (homogen) ist. Dadurch wird sichergestellt, dass das Batch-Mischen das Planetary-Mischen hinsichtlich der Füllstoffhomogenität übertrifft, während das Planetary-Mischen das Handmischen übertrifft.

Wärmeleitfähigkeit von 40 % G Ecoflex, hergestellt durch (a) Handmischen, (b) Planetenmischen, (c) Chargenmischen, (d) Vergleich des Dispersionsindex (DI) von Hand-, Planeten- und Chargenmischen.

Polymerkomposite zeigen eine schnelle Temperaturänderung (exotherme Reaktion), was einen Übergang von einer viskosen Flüssigkeit zu einem Feststoff während der Aushärtung bedeutet. Als Probenhalter wurde eine kundenspezifische 3D-gedruckte Kammer (3 × 4 × 2 mm3) verwendet und dann über die Heizung konstante Wärme bereitgestellt (Abb. 6a). Zur Messung der Aushärtung und der thermischen Eigenschaften wurde die gleiche IR-Wärmekamera Fluke RSE600 mit Mikrolinse verwendet. Dadurch wurde eine höhere Auflösung (20 µm/Pixel) für jedes einzelne Pixel erreicht, um das Aushärtungsphänomen in Polymerverbundwerkstoffen zu untersuchen. Der Trend zur maximalen Temperatur, die von Polydimethylsiloxan (PDMS)-MoS2 erreicht wird, dann von PDMS ohne Füllstoff bzw. von PDMS mit größerem Füllstoff. So kann die Aushärtung festgestellt werden, wenn die konstante Maximaltemperatur schnell abweicht. Während PDMS-Graphen und PDMS-Graphitflocken (PDMS-G-Flocken) in etwa 950 s aushärten, dauert die Aushärtung von PDMS (ohne Füllstoff) 500 s (Abb. 6b). Die Aushärtung von MoS2 dauert etwa 520 s, verglichen mit 800 s für PDMS-Graphitpulver (PDMS G-Pulver). Die schnelle Änderung der Temperatur oder Aushärtung ist in Abb. 6c–e für verschiedene Verbundwerkstoffe dargestellt. Dadurch kann mit dieser Methode gezeigt werden, wie Füllstoffe die Aushärtung von Verbundwerkstoffen im Mikromaßstab beeinflussen, was mit herkömmlichen Techniken wie der Differentialscanningkalorimetrie nur schwer möglich ist.

(a) Schematische Darstellung einer Härtungsanalyse im Mikromaßstab mit Nichromdraht in einer 3D-gedruckten Kammer. (b) Härtungsanalyse verschiedener Füllstoffe mit PDMS-Polymer (vertikale Doppelpfeillinie zeigt die Härtung. Schnelle Temperaturänderung während der Härtung für (c) PDMS-G-Pulver, (d) PDMS-MoS2, (e) PDMS-Graphen und PDMS-G-Flocken. Thermisch Charakteristikkurve von Drachenhaut, 2,5 %, 5 %, 7,5 % G-Proben (jede Probe wurde 30 s lang mit einem SpotIR-Heizgerät erhitzt und dann weitere 30 s lang abgekühlt), hergestellt durch (f) Handmischen und (g) Planetenmischen .

Abbildung 6f,g zeigt die Aufheiz- und Abkühlkurve von Polymerverbundwerkstoffen und liefert die Echtzeit-Durchschnittstemperatur über den gesamten Probenbereich. Drachenhautpolymer ohne Füllstoffe erreicht eine maximale Temperaturänderung von ~ 14 °C in 30 s gegenüber Raumtemperatur, wohingegen die Temperaturänderung zunimmt (~ 24 bis ~ 28 °C), wenn der Graphitanteil in 30 s von 2,5 auf 7,5 ansteigt. Dies ist auf die Zugabe von Füllstoffen in der Polymermatrix zurückzuführen (Graphit hat eine höhere Wärmeleitfähigkeit als Elastomer) und erhöht somit die Gesamtwärmeübertragung in die Verbundwerkstoffe. Agglomerierte Füllstoff-Verbundwerkstoffe haben eine andere Wärmeleitfähigkeit als homogene/gut dispergierte Verbundwerkstoffe. Gut dispergierte Graphitflocken können die Wärme auf die Polymermatrix übertragen und daher sinkt die Durchschnittstemperatur in Planetenproben als in normal von Hand gemischten Proben. Ein ähnlicher Trend wurde auch bei den thermischen Eigenschaften von Planetenproben mit 2,5–7,5 % G gefunden, allerdings steigt die Temperaturänderung innerhalb von 30 s von ~ 17 auf ~ 25 °C. Bei einer gut dispergierten Probe wie der Planetenmischung liegt die Temperaturänderung bei 30 s innerhalb eines Bereichs für einen bestimmten Gewichtsprozentsatz. Daher kann die Bestimmung der Oberflächentemperatur der Probe (entweder mit Blick auf eine kleinere oder eine größere Oberfläche) Aufschluss über die Qualität der Probe geben. Die thermischen Eigenschaften von zwei 40 % G Ecoflex-Proben sind auch in Abb. S5 dargestellt. Da die Probenherstellung der beiden Proben unterschiedlich war, war die Temperaturänderung (Abweichung von ~ 3,5 °C bei 30 s) unterschiedlich. Daher könnte das thermische Verhalten mittels Infrarot-Thermografie und der Vergleich mit einer Standardprobe eine hervorragende Plattform zur Untersuchung von Verbundproben guter oder schlechter Qualität in einer Fertigungslinie sein.

Wärmesignaturen von Verbundwerkstoffen im Mikromaßstab können wichtige Informationen über die Leistung von Mikro-/Nanoverbundwerkstoffen liefern. In unserem Experiment analysierten wir mithilfe von Wärmebildern im Mikromaßstab und maschinellem Lernen die Dispersion, das thermische Diffusionsvermögen, die Aushärtung und den Dispersionsindex von Verbundwerkstoffen auf Graphit-/Graphenbasis im Bereich von 2,5 % bis 40 % Gewichtsverhältnis für verschiedene Mischtechniken. Beim Dispergieren zeigte das Batch-Mischen eine bessere Homogenität als das Planeten- und Handmischen. Der Dispersionsindex für Chargen-, Planeten- und Handmischung für 40 % Graphitproben betrug 0,07, 0,0865 bzw. 0,163. Mit diesem auf maschinellem Lernen basierenden Modell wurde die Erkennung von Fremdmaterial/Hohlräumen/Fehlern in Polymerverbundwerkstoffen untersucht. Das Aushärtungsphänomen von Polymeren mit unterschiedlichen Füllstoffen wurde ebenfalls analysiert und es zeigte sich, dass die Aushärtungszeit aufgrund der Art und Größe des Füllstoffs innerhalb der Polymermatrix unterschiedlich ist. Daher kann die Infrarot-Thermografie in Kombination mit unserem maschinellen Lernmodell (SDFN) ein großartiges zerstörungsfreies Werkzeug für Luft- und Raumfahrt- und Industrieanwendungen sein, bei dem die Qualität von Verbundwerkstoffen automatisch sowohl qualitativ als auch quantitativ in Echtzeit gemessen werden kann. Zukünftig werden wir diese Arbeit erweitern, um tiefgreifende Defekte oder Hohlräume in einem Polymerverbundwerkstoff zu untersuchen.

Die während der aktuellen Studie verwendeten und/oder analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Sun, X., Sun, H., Li, H. & Peng, H. Entwicklung von Polymerverbundmaterialien: Kohlenstoffnanoröhren oder Graphen?. Adv. Mater. 25, 5153–5176 (2013).

Artikel CAS PubMed Google Scholar

Pesetskii, S. & Bogdanovich, S. Polymerkomposite und Nanokomposite. Enzykl. Tribol. 6, 2563–2570 (2013).

Artikel Google Scholar

Aramide, F., Atanda, P. & Olorunniwo, O. Mechanische Eigenschaften eines Polyester-Glasfaserverbundwerkstoffs. Int. J. Compos. Mater. 2, 147–151 (2012).

Google Scholar

Hayman, B., Wedel-Heinen, J. & Brøndsted, P. Materialherausforderungen in der gegenwärtigen und zukünftigen Windenergie. Frau Bull. 33, 343–353 (2008).

Artikel Google Scholar

Volpe, V. et al. Leichter Hochleistungs-Polymerverbundstoff für Automobilanwendungen. Polymere 11, 326 (2019).

Artikel PubMed PubMed Central Google Scholar

Irving, PE & Soutis, C. Polymerverbundstoffe in der Luft- und Raumfahrtindustrie (Woodhead Publishing, 2019).

Tran, P., Nguyen, QT & Lau, K. Brandverhalten von Verbundwerkstoffen auf Polymerbasis für die maritime Infrastruktur. Kompositionen. B Eng. 155, 31–48 (2018).

Artikel CAS Google Scholar

Hollaway, LC Fortschrittliche Polymerverbundstoffe und Polymere in der zivilen Infrastruktur. (Elsevier, 2001).

Khare, H. & Burris, D. Eine quantitative Methode zur Messung der Nanokompositdispersion. Polymer 51, 719–729 (2010).

Artikel CAS Google Scholar

Fu, X. et al. Quantitative Bewertung der Kohlenstoffnanoröhrendispersion durch Rasterelektronenmikroskopbilder. Kompositionen. Wissenschaft. Technol. 87, 170–173 (2013).

Artikel CAS Google Scholar

Jogi, BF, Sawant, M., Kulkarni, M. & Brahmankar, PK Dispersions- und Leistungseigenschaften von Polymerverbundwerkstoffen auf Basis von Kohlenstoffnanoröhren (CNTs): Eine Übersicht (2012).

Levin, V. et al. Die Clusterarchitektur von Kohlenstoff in Polymernanokompositen, beobachtet durch akustische Impulsmikroskopie. Physik. Status Solidi 253, 1952–1959 (2016).

Artikel CAS Google Scholar

Khramtsova, E. et al. Impulsakustische Mikroskopie: Ein neuer Ansatz zur Untersuchung von Polymer- und Naturgerüsten. Polym. Ing. Wissenschaft. 57, 709–715 (2017).

Artikel CAS Google Scholar

Minkina, W. Theoretische Grundlagen der Strahlungswärmeübertragung – praktische Berechnungsbeispiele für das Infrarot (IR), das bei Infrarot-Thermografiemessungen verwendet wird. Quant. Infrarot-Thermogr. J. 18, 269–282 (2021).

Artikel Google Scholar

Mulaveesala, R., Dua, G., Arora, V. & Hassan, H. in Advances in Structural Health Monitoring (IntechOpen, 2019).

Mouahid, A. im MATEC Web of Conferences. 00011 (EDV-Wissenschaften).

Delanthabettu, S., Menaka, M., Venkatraman, B. & Raj, B. Defekttiefenquantifizierung mittels Lock-in-Thermografie. Quant. Infrarot-Thermogr. J. 12, 37–52 (2015).

Artikel Google Scholar

Palumbo, D. & Galietti, U. Schadensuntersuchung in Verbundwerkstoffen mittels neuer thermischer Datenverarbeitungsverfahren. Stamm 52, 276–285 (2016).

Artikel CAS Google Scholar

Pantano, A. et al. Neuartige zerstörungsfreie Bewertungstechnik zur Erkennung einer schlechten Dispersion von Kohlenstoffnanoröhren in Nanokompositen. Kompositionen. B Eng. 163, 52–58 (2019).

Artikel CAS Google Scholar

Ashraf, A., Jani, N., Farmer, F. & Lynch-Branzoi, JK Zerstörungsfreie Untersuchung der Dispersion, Bindung und thermischen Eigenschaften neuer Polymer-Nanokomposite mithilfe von Nahlinsen-unterstützter Infrarot-Thermografie. Frau Adv. 5, 735–742 (2020).

Artikel CAS Google Scholar

Gresil, M., Wang, Z., Poutrel, Q.-A. & Soutis, C. Kartierung der thermischen Diffusivität von Polymernanokompositen auf Graphenbasis. Wissenschaft. Rep. 7, 1–10 (2017).

Artikel CAS Google Scholar

Manta, A., Gresil, M. & Soutis, C. Infrarot-Thermografie zur Hohlraumkartierung eines Graphen/Epoxid-Verbundwerkstoffs und seine thermische Vollfeldsimulation. Ermüdungsfraktion. Ing. Mater. Struktur. 42, 1441–1453 (2019).

Artikel CAS Google Scholar

Lee, SH, Koo, HI & Cho, NI Bildsegmentierungsalgorithmen basierend auf dem maschinellen Lernen von Merkmalen. Mustererkennung. Lette. 31, 2325–2336 (2010).

Artikel ADS Google Scholar

Singh, H. Praktisches maschinelles Lernen und Bildverarbeitung: Für Gesichtserkennung, Objekterkennung und Mustererkennung mit Python (Springer, 2019).

Ramík, DM, Sabourin, C., Moreno, R. & Madani, K. Ein auf maschinellem Lernen basierendes intelligentes Bildverarbeitungssystem zur autonomen Objekterkennung und -erkennung. Appl. Intel. 40, 358–375 (2014).

Artikel Google Scholar

Fang, Q., Nguyen, BD, Castanedo, CI, Duan, Y. & Maldague II, X. in Thermosense: thermische Infrarotanwendungen XLII 180–195 (SPIE).

He, Y. et al. Infrarot-Bildverarbeitung und Infrarot-Thermografie mit Deep Learning: Ein Rückblick. Infrarotphysik. Technol. 116, 103754 (2021).

Artikel CAS Google Scholar

Simonyan, K. & Zisserman, A. Sehr tiefe Faltungsnetzwerke für die Bilderkennung im großen Maßstab. arXiv-Vorabdruck arXiv:1409.1556 (2014).

Zhou, B. et al. Semantisches Verständnis von Szenen durch den ade20k-Datensatz. Int. J. Comput. Vision 127, 302–321 (2019).

Artikel Google Scholar

Li, Z. et al. Neuronaler Fourier-Operator für parametrische partielle Differentialgleichungen. arXiv-Vorabdruck arXiv:2010.08895 (2020).

Yousefi, A., Lafleur, P. & Gauvin, R. Kinetische Studien zu Duroplast-Härtungsreaktionen: eine Übersicht. Polym. Kompositionen. 18, 157–168 (1997).

Artikel CAS Google Scholar

Dutta, A. & Ryan, M. Einfluss von Füllstoffen auf die Kinetik der Epoxidhärtung. J. Appl. Polym. Wissenschaft. 24, 635–649 (1979).

Artikel CAS Google Scholar

Lynch-Branzoi, JK et al. Scherabblätterung von Graphit zu Graphen-Nanoflocken direkt in Polyetheretherketon und eine spektroskopische Untersuchung dieses leichten Nanokomposits mit hohem Modul. Kompositionen. B Eng. 188, 107842 (2020).

Artikel CAS Google Scholar

E-13, A. (ASTM International, 2013).

Hendrycks, D. & Gimpel, K. Gaußsche Fehlerlineareinheiten (Gelus). arXiv-Vorabdruck arXiv:1606.08415 (2016).

Backes, C. et al. Spektroskopische Metriken ermöglichen die In-situ-Messung der mittleren Größe und Dicke von durch Flüssigkeit abgeblätterten Graphen-Nanoblättern mit wenigen Schichten. Nanoscale 8, 4311–4323 (2016).

Artikel ADS CAS PubMed Google Scholar

Rahman, MA, Becerril, J., Ghosh, D., Islam, N. & Ashraf, A. in Proceedings of the ASME 2022 International Mechanical Engineering Congress and Exposition.

Mehdikhani, M. et al. Mehrskalige digitale Bildkorrelation zur Erkennung und Quantifizierung von Matrixrissen in Kohlefaserverbundlaminaten in Abwesenheit und Anwesenheit von Hohlräumen, gesteuert durch den Aushärtungszyklus. Kompositionen. B Eng. 154, 138–147 (2018).

Artikel CAS Google Scholar

D'Alessandro, G. et al. Modellierung und Messung thermodynamischer und transportthermophysikalischer Eigenschaften: Ein Überblick. Energien 15, 8807 (2022).

Artikel MathSciNet Google Scholar

Referenzen herunterladen

Diese Forschung wird von der National Science Foundation (NSF) unter der Fördernummer ERI 2138574 finanziell unterstützt. Die Autoren danken Elmmer Vera Alvarado von der University of Texas Rio Grande Valley für die experimentelle Unterstützung.

National Science Foundation, ERI 2138574.

Fakultät für Maschinenbau, University of Texas Rio Grande Valley, Edinburg, TX, 78539, USA

MD Ashiqur Rahman und Ali Ashraf

Fakultät für Informatik, Purdue University, West Lafayette, IN, 47907, USA

Mirza Masfiqur Rahman

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Das Manuskript wurde unter Mitwirkung aller Autoren verfasst. Alle Autoren haben der endgültigen Fassung des Manuskripts zugestimmt.

Korrespondenz mit Ali Ashraf.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Rahman, MA, Rahman, MM & Ashraf, A. Automatische Bestimmung von Dispersion, Defekt, Aushärtung und thermischen Eigenschaften von Polymerverbundwerkstoffen mithilfe von Infrarot-Thermografie im Mikromaßstab und Algorithmen für maschinelles Lernen. Sci Rep 13, 2787 (2023). https://doi.org/10.1038/s41598-023-29270-z

Zitat herunterladen

Eingegangen: 12. November 2022

Angenommen: 01. Februar 2023

Veröffentlicht: 16. Februar 2023

DOI: https://doi.org/10.1038/s41598-023-29270-z

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.