پیش بینی مدول یانگ پلی یورتان تقویت شده به کمک آکریلونیتریل بوتادین استایرن بر مبنای مورفولوژی فاز
Publish place: Journal Of Modeling in Engineering، Vol: 16، Issue: 52
Publish Year: 1397
Type: Journal paper
Language: Persian
View: 682
This Paper With 13 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
JR_JME-16-52_001
Index date: 7 July 2019
پیش بینی مدول یانگ پلی یورتان تقویت شده به کمک آکریلونیتریل بوتادین استایرن بر مبنای مورفولوژی فاز abstract
مدول یانگ ترکیب پلییورتان ترموپلاستیک و آکریلونیتریل بوتادین استایرن با درصد وزنیهای مختلف محاسبه شد. مقایسه و ارزیابی بین نتایج تجربی و پیش بینی های تئوری بر اساس مدل های مختلف میکرومکانیک برای مدول یانگ بر اساس هر دو مورفولوژی قطره / ماتریس و هردوفاز پیوسته ارائه شده است. هر دومدل دوبعدی (موازی، سری، ماکسول، هالپین تسای، تاکایاناگی ، دیویس و کران-پاتل ) و سه بعدی (کلاریک، برنتسن و نیجهوف ) برای پیش بینی مدول یانگ ترکیب پلیمری انتخاب شدند. در این کار بر اثر درصد وزنی ترکیب بر مورفولوژی و خواص مکانیکی تاکید شده است. تصاویر میکروسکوپ الکترونی نشان داد که با حضور کمتر از 20 درصد وزنی آکریلونیتریل بوتادین استایرن در ماتریس پلی یورتان مورفولوژی قطره ماتریس به وجود میآید ولی در درصد وزنی 30 درصد ذرات آکریلونیتریل بوتادین استایرن به صورت بیضوی کشیده شده در ماتریس پخش شدند و وارونگی فاز اتفاق افتاد. در ترکیبات 5، 10 و 20 درصد وزنی آکریلونیتریل بوتادین استایرن، که ذرات فاز پراکنده به صورت قطرات کاملا یکنواخت در ماتریس پلی یورتان پخش شدند، مدل تاکایاناگی موازی و مدل سری اجزا موازی برنتسن با دقت خوبی توانستند مدول را پیش بینی کنند. درصد وزنی 30 درصد که پدیده وارونگی فاز مشاهده شد و ترکیب تقریبا به صورت هر دو فاز پیوسته بود، مدل های کران و پاتل، سری نیجهف و کلاریک که بر پایه مورفولوژی هر دو فاز پیوسته اند، از دقت بالایی برخوردار بودند.
پیش بینی مدول یانگ پلی یورتان تقویت شده به کمک آکریلونیتریل بوتادین استایرن بر مبنای مورفولوژی فاز Keywords:
پیش بینی مدول یانگ پلی یورتان تقویت شده به کمک آکریلونیتریل بوتادین استایرن بر مبنای مورفولوژی فاز authors
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :