کامپوزیت های پلیمری تقویت شده با فیبر کربن
ترجمه نشده

کامپوزیت های پلیمری تقویت شده با فیبر کربن

عنوان فارسی مقاله: پیش بینی خواص مکانیکی کامپوزیت های پلیمری تقویت شده با فیبر کربن کوتاه/بلند قالب تزریقی با استفاده از توموگرافی کامپیوتری اشعه X میکرو
عنوان انگلیسی مقاله: Mechanical Properties Prediction of Injection Molded Short/Long Carbon Fiber Reinforced Polymer Composites Using Micro X-Ray Computed Tomography
مجله/کنفرانس: کامپوزیت ها قسمت A: علوم کاربردی و ساخت – Composites Part A: Applied Science and Manufacturing
رشته های تحصیلی مرتبط: مهندسی پلیمر، مهندسی مواد، مهندسی مکانیک
گرایش های تحصیلی مرتبط: پلیمریزاسیون، مهندسی مواد مرکب یا کامپوزیت، طراحی جامدات
کلمات کلیدی فارسی: کامپوزیت پلیمری تقویت شده با فیبر کربن، توموگرافی کامپیوتری اشعه X میکرو، خواص مکانیکی، ریزساختارها
کلمات کلیدی انگلیسی: Carbon fiber reinforced polymer composite; Micro-X-ray computed tomography; Mechanical properties; Microstructures
نوع نگارش مقاله: مقاله پژوهشی (Research Article)
نمایه: Scopus – Master Journals List – JCR
شناسه دیجیتال (DOI): https://doi.org/10.1016/j.compositesa.2019.105732
دانشگاه: Department of Industrial and Manufacturing Engineering, Pennsylvania State University, University Park, PA 16802, USA
ناشر: الزویر - Elsevier
نوع ارائه مقاله: ژورنال
نوع مقاله: ISI
سال انتشار مقاله: 2020
ایمپکت فاکتور: 6.963 در سال 2019
شاخص H_index: 152 در سال 2020
شاخص SJR: 1.907 در سال 2019
شناسه ISSN: 1359-835X
شاخص Quartile (چارک): Q1 در سال 2019
فرمت مقاله انگلیسی: PDF
تعداد صفحات مقاله انگلیسی: 36
وضعیت ترجمه: ترجمه نشده است
قیمت مقاله انگلیسی: رایگان
آیا این مقاله بیس است: خیر
آیا این مقاله مدل مفهومی دارد: ندارد
آیا این مقاله پرسشنامه دارد: ندارد
آیا این مقاله متغیر دارد: ندارد
کد محصول: E14426
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
فهرست انگلیسی مطالب

Abstract


۱٫ Introduction


۲٫ Experimental procedure and methodology of CFRP reconstruction


۳٫ Results and discussion


۴٫ Conclusions


CRediT authorship contribution statement


Declaration of Competing Interest


Acknowledgment


References

نمونه متن انگلیسی مقاله

Abstract


This paper addresses the challenge of reconstructing nonuniformly orientated fiber-reinforced polymer composites (FRPs) with three-dimensional (3D) geometric complexity, especially for fibers with curvatures, and proposes a framework using micro X-ray computed tomography (μXCT) images to quantify the fiber characteristics in 3D space for elastic modulus prediction. The FRP microstructure is first obtained from the μXCT images. Then, the fiber centerlines are efficiently extracted with the proposed fiber reconstruction algorithm, i.e., iterative template matching, and the 3D coordinates of the fiber centerlines are adopted for quantitative characterization of the fiber morphology. Finally, Young’s modulus is predicted using the Halpin-Tsai model and laminate analogy approach, and the fiber configuration averaging method with the consideration of the fiber morphology. The new framework is demonstrated on both injection-molded short and long carbon fiber-reinforced polymer composites, whose fiber morphology and predicted mechanical properties are validated through previous pyrolysis and quasi-static tensile tests, respectively.


Introduction


Micro X-ray computed tomography (µXCT), as a typical nondestructive imaging technique, has demonstrated its advantages to explore the detailed three-dimensional (3D) internal structure of carbon fiber-reinforced polymer (CFRP) composites including unidirectional, laminated, injectionmolded, and chopped-fiber composites [1–5]. By leveraging the variation of X-ray attenuations owing to the differences in density and atomic number, the captured microscale XCT images can unveil the composite constituents, e.g., fibers, matrix, and defects [3–8], where the high-density material (e.g., fibers) appears brighter than the low-density material (e.g., matrix). At present, µXCT is effectively used to understand the initiation and evolution of damage and to determine the in-situ fracture mechanics of CFRP composites [4,6,9–14]. However, only limited quantitative image analyses of µXCT images have been reported for non-uniformly orientated CFRP composites, especially for those consisting of curved fibers. This is because the appropriate post-image processing algorithms such as the Bayesian inference theory-based and machine learning-based approaches depend considerably on the image quality and material nature [15–17]. Emerson et al. [18] proposed a dictionary-based probabilistic segmentation technique to indicate the likelihood of a voxel belonging to a fiber or the matrix, which required the user’s inputs, including dictionary patch size and representative labeled patches to identify fiber centroid from 2D images.

  • اشتراک گذاری در

دیدگاه خود را بنویسید:

تاکنون دیدگاهی برای این نوشته ارسال نشده است

کامپوزیت های پلیمری تقویت شده با فیبر کربن
نوشته های مرتبط
مقالات جدید
نماد اعتماد الکترونیکی
پیوندها