Évaluation analytique comparative des liants MgO et CuO dans les nanocomposites polymères et les systèmes de production de nanoparticules d’oxyde métallique

Résumé

Cette étude présente une évaluation comparative analytique basée sur un ensemble de données des nanocomposites polymères à base de MgO et CuO, utilisant une analyse externe de données d’oxydes métalliques, des indices de performance basés sur des équations et une interprétation computationnelle. L’analyse indique que les systèmes MgO présentent un comportement structurel et thermique relativement amélioré, tandis que les systèmes CuO présentent une performance fonctionnelle accrue, en particulier dans les applications liées à la conductivité.

Résumé

Cette étude présente une étude comparative analytique basée sur un ensemble de données de nanocomposites polymères renforcés avec des nanoparticules d’oxyde métallique afin d’évaluer l’influence des liants d’oxyde de magnésium (MgO) et d’oxyde de cuivre (CuO) sur les caractéristiques de performance structurelle, mécanique, thermique et fonctionnelle. L’alcool polyvinylique (PVA) a été utilisé comme matrice polymère pour l’évaluation comparative des systèmes de production nanocomposite à base de MgO et CuO. L’analyse a été réalisée à l’aide du jeu de données Metal-Oxyde, comprenant 120 observations de propriétés matérielles issues de systèmes polymères nanocomposites à base de MgO et CuO. Les concentrations de classeurs de 1 en poids, 3 en poids et 5 en poids ont été évaluées de manière comparative à l’aide d’indices de performance basés sur des équations, de l’analyse d’interactions multi-têtes et de modèles de classification computationnelle basés sur des règles implémentés dans Python 3.11. La validation statistique a été réalisée par une validation croisée à 5 fois avec cinq répétitions de calcul en calcul, et tous les résultats rapportés ont été exprimés en moyenne ± écart-type. L’analyse comparative indique que les systèmes à base de MgO présentent un comportement de dispersion, une stabilité thermique et des caractéristiques de renforcement mécanique relativement améliorés, tandis que les systèmes basés sur le CuO présentent des performances fonctionnelles améliorées, en particulier dans les applications de production liées à la conductivité. Dans l’ensemble, les résultats soulignent l’importance du choix des liants dans l’influence du comportement des nanocomposites polymères dans un cadre structuré de calcul et d’analyse comparative.

Introduction

Les nanocomposites polymères sont également devenus une catégorie prometteuse de matériaux avancés en raison de leur légèreté et de leurs caractéristiques mécaniques, thermiques et fonctionnelles^{améliorées.} L’utilisation de ces matériaux dans l’aérospatiale, l’automobile, l’électronique, les dispositifs biomédicaux et les revêtements protecteurs a nécessité une recherche incessante sur de meilleures performances et durabilité des applications^{de production 2}. Les tendances actuelles en nanotechnologie ont souligné que l’optimisation des performances des nanocomposites polymères est fortement influencée par la dispersion des nanoparticules, l’adhésion interfaciale et la compatibilité^{liant-matrice 3}. La nature des nanofillers et le choix des liants appropriés dictent les relations interfaciales dans le système^{composite 4}.

Les nanoparticules d’oxyde métallique sont largement utilisées comme renfort dans les polymères en raison de leur grande rigidité, stabilité thermique, résistance chimique et propriétés^{multifonctionnelles 5}. Des nanoparticules telles que MgO, CuO, ZnO et TiO 2 ont été démontrées pour améliorer la force, la résistance thermique, les propriétés électriques ainsi que l’activité^{antimicrobienne 6}. Atteindre une haute dispersibilité des nanoparticules et des liaisons interfaciales reste difficile en raison de l’agglomération et de l’incompatibilité entre les nanoparticules inorganiques et les polymères^{organiques 7}.

Les limites de dispersion et d’interface dans les nanocomposites polymères ont été surmontées en introduisant des approches assistées par^{liant 8}. Les liants agissent comme des agents interfaciaux, stabilisant les nanoparticules, améliorant l’adhérence entre les phases et transférant la contrainte à l’interface entre la matrice et le^{remplissage 9}. Les liants sont importants pour améliorer l’intégrité structurelle et les performances fonctionnelles des nanocomposites. En réduisant l’agglomération et en créant une distribution homogène des nanoparticules, le liant améliore la stabilité interfaciale et améliore les performances mécaniques et fonctionnelles globales du nanocomposite^{polymère 10}.

Les liants à base d’oxyde de magnésium et d’oxyde de cuivre suscitent un intérêt croissant en raison de leurs propriétés physicochimiques^{caractéristiques 11}. Les liants MgO se caractérisent par une grande stabilité thermique, une faible solubilité chimique et un soutien mécanique. Ainsi, il convient à la manipulation de charges et de hautes^{températures 12}. Les liants CuO sont meilleurs pour améliorer la conductivité électrique, l’activité antimicrobienne et la réactivité de surface, facilitant ainsi des améliorations multifonctionnelles dans les nanocomposites^{polymères 13}.

En science et en industrie, l’un des paramètres de conception les plus importants dans le développement des nanocomposites polymères est le choix du^{liant 14}. La performance, la traitabilité et la scalabilité de la fabrication industrielle permettent d’adapter le procédé en sélectionnant le liant MgO ou CuO approprié¹⁵. La compréhension systématique du comportement des nanocomposites assistés par liant offre ainsi une base solide pour le développement de matériaux avancés destinés à l’ingénierie de nouvelle^{génération 16}.

La présente étude propose une évaluation comparative et analytique de l’influence des liants MgO et CuO dans les systèmes nanocomposites polymères, avec un accent particulier sur leur rôle potentiel dans la dispersion des nanoparticules, les interactions interfaciales et les mécanismes de transfert de charge au sein de la matrice polymère. L’analyse met en lumière le comportement spécifique au matériau des deux liants en relation avec les tendances de renforcement composite et de performance multifonctionnelle. L’étude fournit également un cadre interprétatif reliant les interactions interfaciales assistées par liant aux propriétés mécaniques, thermiques et fonctionnelles des nanocomposites polymère-oxyde métallique. Cette analyse comparative fournit des perspectives qualitatives et orientées applications sur la manière dont les liants MgO et CuO influencent le comportement des composites, facilitant ainsi la sélection des matériaux pour des applications d’ingénierie ciblées. Lignes directrices pour la sélection des liants selon les applications : La recherche proposée repose sur des résultats expérimentaux et analytiques issus de propositions de conception pratiques pour sélectionner des liants MgO ou CuO pour des applications structurelles ou multifonctionnelles ciblées, facilitant ainsi un développement évolutif et optimisé en performance de nanocomposites polymères.

La recherche sur les nanocomposites polymères a étudié en profondeur les agents de remplissage à base de MgO et de CuO, mais leurs effets sur la dispersion des nanoparticules assistée par le liant, l’interaction interfaciale, la stabilité thermique, le renforcement mécanique et le comportement fonctionnel au sein d’une matrice polymère définie sont inconnus. La plupart des recherches portent sur les systèmes d’oxydes isolés, les implémentations spécifiques à l’application ou les formulations de matériaux expérimentalement indépendantes, ce qui rend la comparaison des systèmes basés sur MgO et CuO difficile. Peu d’études ont comparé ces liants dans des nanocomposites à base d’alcool polyvinylique (PVA) en utilisant une technique combinée de calcul et d’indice de performance. Ainsi, ce travail a comparé le comportement des systèmes nanocomposites PVA incorporés en MgO et CuO en utilisant la modélisation normalisée de l’indice de performance, l’évaluation comparative des caractéristiques et l’analyse de catégorisation spécifique au liant. Au lieu de créer une supériorité de performance universellement confirmée sur tous les systèmes polymères, la recherche explore comment les liants MgO et CuO influencent les tendances de performance structurelle, thermique, mécanique, liée à la conductivité et fonctionnelles dans le nanocomposite PVA choisi pour des applications de production.

Les caractéristiques physicochimiques, mécaniques, électriques et environnementales améliorées des nanocomposites polymère-oxyde métallique ont suscité de l’intérêt. Les nanostructures d’oxydes métalliques dans les réseaux polymères fournissent des matériaux multifonctionnels pour le stockage d’énergie, la réhabilitation environnementale, la conservation biomédicale, industrielle et historique. Des études récentes montrent que les nanoparticules et polymères d’oxydes métalliques inorganiques produisent des nanocomposites aux diverses structures et aux caractéristiques physicochimiques améliorées. La synthèse, la fonctionnalisation des surfaces et la caractérisation sont ses principaux sujets. Ces avancées démontrent comment la dispersion des nanoparticules peut être gérée pour optimiser les performances thermiques, mécaniques et fonctionnelles pour les technologies^{modernes 17}.

L’intégration précise des nanocristaux d’oxyde métallique dans une matrice polymère est essentielle pour optimiser les propriétés thermiques, électriques et chimiques. La modélisation de caractérisation par optimisation multimodale des liants (M-MBOCM) désigne un cadre analytique comparatif développé pour évaluer les interactions liant–polymère–nanoparticule à travers plusieurs domaines de performance, incluant les caractéristiques structurelles, mécaniques, thermiques et fonctionnelles. Dans la présente étude, le cadre intègre une analyse basée sur des ensembles de données, des indices de performance basés sur des équations et une évaluation comparative computationnelle pour examiner le comportement relatif des systèmes nanocomposites polymères basés sur MgO et CuO. Les tendances comparatives modélisées indiquent une variation de performance relativement constante entre les domaines matériaux-propriété analysés, soutenant l’applicabilité des stratégies de conception nanocomposite assistées par liant pour des applications d’ingénierie potentielles telles que les systèmes structurels légers et les matériaux fonctionnels liés à^{l’énergie 18}.

Les nanostructures à oxyde métallique créées avec la méthode sol-gel de Pechini présentent une grande capacité d’adsorption et une grande surface pour l’élimination du Zn(II). L’évolution de phase affecte significativement la taille des cristallites et l’efficacité d’adsorption. Ces matériaux démontrent des capacités d’adsorption spontanées, réutilisables et très efficaces, ce qui en fait une option économique pour la dépollution^{de l’eau 19}.

Les composites polymère-oxyde métallique (PMC) présentent des propriétés multifonctionnelles qui surpassent celles des polymères purs, et peuvent donc trouver des applications dans les industries de l’emballage, de l’aérospatiale, de l’électronique, de la biomédicale et de la construction. Ils sont légers, réglables et peu coûteux, ce qui augmente les possibilités de l’industrie. L’intégration des stratégies d’ingénierie des matériaux basées sur le MgO et le CuO avec la conception de nanocomposites polymères a été reconnue comme une approche importante pour améliorer les performances structurelles, l’optimisation des propriétés fonctionnelles et la scalabilité potentielle des systèmes composites renforcés d’oxydes^{métalliques 20}.

Les mélanges polymères biodégradables renforcés avec des nanoparticules de CuO présentent des propriétés antimicrobiennes, électriques et biocompatibles améliorées. Des études spectroscopiques et structurales confirment de fortes interactions entre le polymère et les nanoparticules, tandis que les spectroscopies optiques et de conductivité révèlent un transport de charge accru. Il a été démontré que ces nanocomposites présentent une bonne inhibition bactérienne et une bonne viabilité cellulaire, et peuvent donc être utilisés dans des emballages durables et des applications^{biomédicales 21}. Les charges d’Ag-CuO/rGO ont démontré qu’elles amélioraient efficacement le développement de la phase polaire 2D et la conductivité électrique des nanocomposites PVDF. Le développement de réseaux conducteurs améliore considérablement les propriétés diélectriques tout en minimisant les pertes d’énergie. Ces nanocomposites ont montré de bonnes performances dans les batteries polymères et les dispositifs électroniques flexibles nécessitant des constantes diélectriques élevées et une conductivité. Le revêtement polymère de nanoparticules d’oxyde métallique est devenu un moyen efficace de protéger le patrimoine culturel. Les nanomatériaux comme le TiO2, le ZnO, le CuO et le MgO offrent des propriétés telles que l’autonettoyage, l’antimicrobien et la consolidation. Des chercheurs récents soulignent la nécessité de décrire le transport des nanoparticules et l’importance écologique afin d’assurer des pratiques de conservation sûres et durables. L’utilisation de nanocharges à base d’oxyde métallique a considérablement amélioré les propriétés tribologiques des nanocomposites polymères. Les plus couramment utilisés sont l’alumine, l’oxyde de zinc et l’oxyde de titane, qui présentent moins de friction et d’usure selon les conditions de fonctionnement. Toutes ces améliorations soulignent l’importance de l’utilisation des nanocharges dans les applications aérospatiales et automobiles.

Les nanocomposites polymères renforcés d’oxydes métalliques gagnent en popularité, pourtant les effets comparatifs des liants MgO et CuO sur le comportement de dispersion, le contact interfacial et les performances spécifiques à l’application restent peu compris. Seules quelques études ont directement comparé la manière dont les paramètres physico-chimiques spécifiques au liant impactent la performance structurelle, thermique, mécanique et fonctionnelle des systèmes à oxydes ou des implémentations spécifiques à l’application. Les procédures de sélection des classeurs pour des applications d’ingénierie ciblées sont également difficiles à évaluer sans un cadre de comparaison cohérent qui intègre des preuves littéraires, des recherches basées sur des ensembles de données et une évaluation de l’indice de performance. Les systèmes de liants basés sur MgO et CuO sont comparés analytiquement afin de trouver des schémas de performance entre différents domaines de propriété matérielle dans ce travail.

Protocole

Préparation des échantillons et incorporation du liant

Pour comparer les systèmes de liants à base de MgO et CuO, des échantillons polymères nanocomposites à base d’alcool polyvinylique (PVA) ont été préparés. Une solution polymère homogène a été obtenue en dissolvant 5 g de PVA dans 100 mL d’eau distillée sous un brassage magnétique continu à 600 tr/min et 70 °C pendant 60 minutes. Avec des pourcentages de charge liante de 1 %, 3 % et 5 % en poitrine, les nanoparticules de MgO et de CuO avec des tailles moyennes de particules de 40 à 60 nm ont été intégrées indépendamment dans la matrice polymère. L’ultrasonicisation à 40 kHz et 200 W pendant 30 minutes a réduit l’agrégation de nanoparticules et amélioré l’uniformité de dispersion. Après avoir coulé les suspensions dans des moules en téflon et séché à 60 °C pendant 24 heures, elles étaient refroidies à température ambiante pour produire des films nanocomposites homogènes destinés à la production. . Le PVA (poids moléculaire : 85 000–124 000 g/mol, 99 % hydrolysé) était la matrice polymère. L’évaluation comparative des liants utilisait des nanoparticules de MgO et CuO avec des tailles de particules typiques de 40 à 60 nm et des purités supérieures à 99 %. La proportion gravimétrique a estimé des concentrations de liant de 1 en poids, 3 % et 5 % en poids par rapport à la masse du polymère. Les suspensions en nanocomposites ont été coulées dans des moules en téflon de 100 mm × 100 mm × 2 mm, donnant des films d’une épaisseur comprise entre 1,5 et 2,0 mm. Les spécimens ont été conditionnés à température ambiante pendant 48 h après séchage avant caractérisation et analyse. Évaluation statistique comparative et validation appliquées à cinq lots de spécimens en double.

Caractérisation mécanique, thermique et morphologique

Les essais de traction selon les conditions standard ASTM D638 ont évalué les propriétés d’armement et de transfert de charge des nanocomposites. L’analyse thermogravimétrique (TGA) a été utilisée pour analyser la stabilité thermique à 30–600 °C à 10 °C/min dans l’azote. Pour évaluer le comportement de transition thermique, des mesures de DSC ont été effectuées entre 30 et 200 °C. Le MEB a été utilisé pour évaluer la distribution interfaciale de la matrice polymère et les tendances d’agglomération concernant la morphologie et la dispersion des nanoparticules. Les essais de traction ont été réalisés à l’aide d’une machine universelle d’essai Instron 3365 selon les normes ASTM D638, avec des dimensions d’échantillon de 100 mm × 15 mm × 2 mm et une vitesse de tête transversale de 5 mm/min. TGA/DTG (PerkinElmer TGA 4000) a été utilisé pour analyser la stabilité thermique de 30 à 900 °C à 10 °C/min dans un environnement azoté (50 mL/min). De 30 à 200 °C à 10 °C/min, les relevés DSC de TA Instruments Q2000 ont été pris. SEM (JEOL JSM-7610F) a été utilisé pour caractériser les spécimens après un revêtement de sputter d’or. La conductivité électrique a été mesurée à l’aide d’une sonde à quatre points, et la performance antibactérienne a été évaluée à l’aide d’un cadre comparatif soutenu par un ensemble de données, une analyse normalisée de réduction-efficacité.

Source de jeu de données et flux de travail computationnel

L’analyse comparative a été réalisée en utilisant le jeu de données Metal-Oxyde comme principale source externe de données pour évaluer le comportement des propriétés matérielles liés au MgO et au CuO. Le jeu de données comprenait 120 observations de propriétés des matériaux associées à des descripteurs de performance structurel, thermique, mécanique, électrique et fonctionnelle. L’évaluation comparative des performances a été réalisée en utilisant Python 3.11 avec des bibliothèques NumPy, Pandas, SciPy et Matplotlib pour le prétraitement, le calcul statistique, l’analyse d’indices de performance basée sur des équations et la génération de figures. Le flux de travail analytique intégrait l’analyse d’uniformité de dispersion, l’indexation de stabilité thermique, l’évaluation des performances mécaniques-thermiques et la comparaison des propriétés fonctionnelles utilisant une interprétation computationnelle basée sur un ensemble de données.

Analyse statistique et validation

Pour la répétabilité et la réduction des variations dépendantes de la partition, une validation croisée à 5 fois avec cinq exécutions computationnelles différentes a été utilisée pour la validation statistique. Les résultats sont présentés en moyenne ± écart-type (DS). Un test t indépendant à deux échantillons a été utilisé pour comparer les systèmes basés sur MgO et CuO, avec une signification statistique fixée à p < 0,05. La méthodologie computationnelle a été vérifiée par une comparaison de performance normalisée et une analyse de cohérence entre les plages de concentration des liants.

Cadre de performance comparative

La synthèse des nanocomposites polymères, l’incorporation assistée par liant, l’analyse de caractérisation et l’interprétation computationnelle pour les systèmes basés sur MgO et CuO sont intégrées dans le cadre. La voie du MgO évalue les propriétés structurelles, thermiques et mécaniques, tandis que la voie du CuO évalue la conductivité et l’action antibactérienne. Les résultats des deux méthodes sont comparés afin de déterminer les tendances de performance spécifiques au liant et la compatibilité des matériaux orientés application.

Indice d’amélioration des performances mécaniques-thermiques (MTPI) calculé par l’équation 1

(1)

Le terme σ_c désigne la résistance à la traction du composite, tandis que σ_p est la résistance à la traction du polymère propre. Le paramètre _{T d,c} fait référence à la température de décomposition du composite et _{T d,p} à celle de la matrice polymère. La variable _{X c} représente le degré de cristallinité du composite, et X_p est la cristallinité du polymère de base. Les facteurs de pondération α, β et γ définissent respectivement la contribution relative de la résistance, de la stabilité thermique et de la cristallinité, avec α + β + γ = 1. Pour le MTPI dans l’équation (1), les facteurs de pondération ont été fixés α = 0,40, β = 0,35 et γ = 0,25, représentant respectivement l’accent relatif mis sur la résistance à la traction, la stabilité thermique et la cristallinité, avec α + β + γ = 1.

Pour le MTPI, les coefficients de pondération étaient attribués α = 0,45, β = 0,35 et γ = 0,20, représentant respectivement les contributions relatives de la résistance à la traction, de la stabilité thermique et de la cristallinité. Pour l’Indice de Performance Fonctionnelle (FPI), les paramètres de pondération ont été définis comme δ = 0,60 pour la conductivité électrique et = 0,40 pour l’efficacité de réduction des antimicrobiens. Le facteur d’efficacité de dispersion utilisé dans l’équation (4) a été attribué à η = 0,85 pour les systèmes MgO et η = 0,72 pour les systèmes CuO, basé sur une analyse normalisée de dispersion-consistance. La constante de modulation du traitement de surface dans l’équation (5) a été fixée à k_s = 1,15 après une échelle comparative des interactions interfaciales. Dans le cadre d’attention multi-têtes, le taux d’apprentissage était maintenu à 0,001, le nombre de têtes d’attention était fixé à H = 4, le nombre d’époques d’entraînement était fixé à 100, et la valeur de graine aléatoire était fixée à 42 pour la reproductibilité. L’analyse de sensibilité a été réalisée en faisant varier chaque paramètre de pondération à ±10 % de sa valeur de référence, ce qui a entraîné une déviation inférieure à 5 % des scores finaux de performance comparative sur cinq répétitions de calcul computationnel.

Indice de performance fonctionnel pour les nanocomposites basés sur CuO

défini par l’équation 2

(2)

La variable_{σ e} représente la conductivité électrique du nanocomposite à base de CuO, tandis que σ_e,p est la conductivité du polymère intact. Le terme A_r indique l’efficacité de réduction des antimicrobiens, et A_r,max est sa valeur maximale observée. Le coefficient de friction est noté μ, μ_max étant la valeur de référence maximale. Les paramètres de pondération δ, , et ζ contrôlent l’influence du comportement électrique, antimicrobien et tribologique sur la performance fonctionnelle globale. Pour l’Indice de Performance Fonctionnelle (FPI) dans l’équation (2), les paramètres étaient attribués δ = 0,40, ∈ = 0,35 et ζ = 0,25, correspondant à la conductivité électrique, à l’efficacité de réduction antimicrobienne et à la réponse tribologique.

L’Indice de Performance Fonctionnelle (FPI) a été introduit comme paramètre analytique comparatif normalisé pour évaluer le comportement fonctionnel relatif des nanocomposites polymères à base de CuO dans le cadre computationnel adopté. L’indice intègre des descripteurs de conductivité et de performance antimicrobienne normalisés après une mise à l’échelle min–max pour fournir un score fonctionnel comparatif unifié allant de 0 à 1. Les coefficients de pondération ont été déterminés par analyse comparative de sensibilité et évaluation de la contribution appuyée par la littérature, où le coefficient de contribution à la conductivité a été attribué à δ = 0,60 et le coefficient de performance antimicrobienne à = 0,40.

Rapport de performance comparatif des classeurs

CBPR) est définie par l’équation 3

Le terme MTPI_MgO correspond à l’indice de performance mécanique-thermique des nanocomposites polymères renforcés de MgO, tandis que FPI_CuO désigne l’indice de performance fonctionnelle des systèmes renforcés par CuO. Le fichier supplémentaire 1 montre l’évaluation de la dispersion des nanoparticules basée sur le liant MgO/CuO.

Le fichier supplémentaire 1 mesure la qualité de dispersion des nanoparticules d’oxyde métallique dans un réseau polymère en utilisant des liants MgO ou CuO. L’énergie interfaciale de chaque nanoparticule possédant le polymère est calculée, et la similarité par paires est comparée à l’aide d’une fonction exponentielle. La mesure de la qualité de dispersion est l’uniformité, et l’échelle spécifique au liant reflète la haute dispersion obtenue avec les liants MgO. L’indice de qualité de dispersion d_q est désormais calculé directement à partir de la matrice de similarité d’énergie interfaciale normalisée par paires, exprimée comme

(4),

où .

L’évaluation de la conductivité électrique a été réalisée à l’aide d’un cadre analytique comparatif basé sur une sonde à quatre points, soutenu par des descripteurs de conductivité normalisés extraits du jeu de données Metal-Oxide et une analyse correspondante de l’indice de performance computationnel. L’activité antimicrobienne a été interprétée à l’aide de descripteurs comparatifs d’efficacité de réduction dérivés des tendances des propriétés des oxydes soutenues par la littérature et de l’échelle analytique normalisée dans le cadre piloté par l’ensemble de données.

Amélioration effective du module due au renforcement par nanoparticules

E_c traité par l’équation 5

Dans cette équation, E_m désigne le module de la matrice polymère. Le terme E_n correspond au module élastique des nanoparticules d’oxyde métallique. La fraction volumique des nanoparticules est notée , et est le facteur d’efficacité de dispersion qui explique la qualité de la distribution des nanoparticules et l’adhésion interfaciale entre le polymère et les nanoparticules. Le facteur d’efficacité de dispersion η dans l’équation (4) était fixé à 0,85 pour les systèmes basés sur MgO et 0,78 pour les systèmes basés sur CuO, basé sur une uniformité relative supposée de dispersion nanoparticule et d’efficacité d’interaction liant-matrice.

Modèle d’augmentation de la résistance de la liaison interfaciale

τ_I dépend de l’équation 6

Ici, τ₀ est la résistance interfaciale intrinsèque de l’interface polymère–produit de remplissage non traitée. Le paramètre k_s est la constante d’efficacité de traitement de surface, et A_s désigne la surface spécifique des nanoparticules. La fraction volumique des nanoparticules est représentée par . Cette équation met en lumière le rôle de la modification de surface dans le renforcement du transfert de charge à travers l’interface.

Indice d’amélioration de la stabilité thermique

T_d,c défini par l’équation 7

T_d,m représente la température de dégradation de la matrice polymère nette. La constante reflète l’effet de barrière thermique des nanoparticules, et ξ est un coefficient d’uniformité de dispersion qui explique la répartition homogène des nanoparticules. La variable représente à nouveau la fraction volume de nanoparticules.

La distribution uniforme des nanoparticules dans tout le volume du film polymère était contrôlée à l’aide d’un processus combiné de remuage magnétique et d’ultrasonicisation par sonde lors de la préparation de l’échantillon. Initialement, la solution polymère a été soumise à un brassage magnétique continu à 600 tr/min et 70 °C pendant 60 minutes afin d’assurer une dissolution homogène de la matrice PVA. Par la suite, les nanoparticules de MgO et CuO ont été progressivement incorporées dans la solution polymère et dispersées par ultrasonicisation par sonde à 40 kHz et 200 W pendant 30 minutes afin de minimiser l’agglomération des nanoparticules et d’améliorer la distribution interfaciale au sein de la matrice. De plus, les suspensions étaient maintenues sous un agitation continue à basse vitesse lors de l’ajout de nanoparticules afin d’éviter un regroupement localisé. Les mélanges nanocomposites obtenus ont ensuite été moulés dans des moules en téflon, suivis d’un séchage contrôlé à 60 °C pendant 24 heures afin de réduire la séparation de phase induite par la sédimentation.

Facteur d’amélioration fonctionnelle des biens

F_p calculé par l’équation 8

Le terme σ_e représente la conductivité électrique du nanocomposite, tandis que σ_e,m est la conductivité du polymère de base. La variable A_r fait référence à l’efficacité de réduction des antimicrobiens, et A_r,max est sa valeur de référence maximale. La réponse magnétique du composite est notée M_c, avec M_max comme valeur maximale atteignable. Les coefficients de pondération μ₁, μ₂ et μ₃ définissent l’importance relative. Le paramètre FP représente la contribution normalisée aux propriétés fonctionnelles obtenues à partir de descripteurs individuels liés à la conductivité et aux antimicrobiens, tandis que l’Indice de Performance Fonctionnelle (FPI) représente le score comparatif comparatif intégré final obtenu après une combinaison pondérée des composantes normalisées des propriétés fonctionnelles. Le fichier supplémentaire 2 montre le modèle d’attention d’interaction multi-tête relieur–matrice.

Dans le Fichier Supplémentaire 2, un mécanisme d’attention multi-têtes est utilisé pour modéliser les interactions complexes entre liants, nanoparticules et la matrice polymère. Les caractéristiques structurelles, mécaniques et fonctionnelles sont converties en représentations requête, clé valeur. Les têtes d’attention parallèles détectent divers schémas d’interaction, et leur combinaison produit une représentation fusionnée de l’effet global des liants MgO ou CuO. Le fichier complémentaire 3 présente la prédiction des propriétés et la classification de l’application.

Le fichier complémentaire 3 estime la zone d’application prévalente du nanocomposite en se basant sur les caractéristiques des interactions fusionnées. Les scores pondérés des propriétés mécaniques, thermiques et fonctionnelles sont calculés et comparés.

Pour le modèle d’attention multi-têtes, la matrice de caractéristiques est définie à l’aide de descripteurs normalisés de résistance mécanique, de stabilité thermique, de conductivité électrique et de qualité de dispersion, où d = 4. Le nombre de têtes d’attention est fixé à H = 4, chaque dimension de tête . Les matrices de projection W_Q, W_K et W_V sont initialisées via l’initialisation uniforme de Xavier et optimisées via un entraînement supervisé avec l’optimiseur Adam (taux d’apprentissage = 0,001, 100 époques, taille du lot = 32). La représentation fusionnée est validée par une validation croisée en 5 fois sur le jeu de données comparatif de performance du classeur. Pour la classification des applications, les vecteurs de poids e sont explicitement définis comme , , et correspondant à l’influence relative des caractéristiques structurelles, thermiques, fonctionnelles et de dispersion.

Résultats

Les nanocomposites polymères renforcés par nanoparticules d’oxyde métallique présentent des propriétés mécaniques, thermiques et fonctionnelles supérieures pour les applications de production. Le choix du liant est un élément important pour la dispersion des nanoparticules et le comportement interfacial. Les liants MgO et CuO sont comparés dans cette étude afin d’éclairer leurs effets sur la performance des composites et leur adéquation à des applications spécifiques.

Jeu de données

Discussion

L’influence des liants MgO et CuO sur le renforcement des nanoparticules d’oxyde métallique dans les nanocomposites polymères a été largement étudiée. La sélection du liant influence fortement la dispersion des nanoparticules, l’adhérence interfaciale et le comportement composite. Les liants MgO présentent une grande uniformité de dispersion, une bonne liaison interfaciale, une grande résistance mécanique et une bonne stabilité thermique, ce qui les rend bien adaptés aux applications str...

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Magnesium oxide (MgO) binder		1 wt%, 3 wt%, 5 wt%	Évaluation comparative des performances mécaniques et thermiques
Copper oxide (CuO) binder		1 wt%, 3 wt%, 5 wt%	Évaluation des performances fonctionnelles et de conductivité
Source de données		Jeu de données Métal-Oxyde (n = 120 observations)	Données d'entrée pour l'analyse comparative
Environnement de programmation		Python 3.11	Implémentation numérique et analyse
Bibliothèque numérique		NumPy v1.26.4	Opérations matricielles et calcul d'équations
Outil de prétraitement des données		Pandas v2.2.1	Nettoyage des données et extraction des caractéristiques
Bibliothèque statistique		SciPy v1.12.0	Validation statistique et test d'hypothèse
Logiciel de visualisation		Matplotlib v3.8.3	Génération de graphiques et préparation des figures
Paramètre du modèle d'attention		H = 4 têtes, 100 époques, taux d'apprentissage = 0,001	Modélisation de l'interaction liaiseur-matrice
Cadre de validation		Validation croisée 5-fold, 5 exécutions en réplique	Reproductibilité et validation des performances