0

Luận án Tiến sĩ Nâng cao tính kỵ nước và chống tia uv cho gỗ Bồ đề (Styrax tonkinensis) bằng công nghệ phủ ZnO

165 7 0
  • Luận án Tiến sĩ Nâng cao tính kỵ nước và chống tia uv cho gỗ Bồ đề (Styrax tonkinensis) bằng công nghệ phủ ZnO

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

Tài liệu liên quan

Thông tin tài liệu

Ngày đăng: 23/06/2022, 11:38

BỘ NÔNG NGHIỆP VÀ PTNT BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC LÂM NGHIỆP NGUYỄN VĂN HUYẾN NÂNG CAO TÍNH KỴ NƯỚC VÀ CHỐNG TIA UV CHO GỖ BỒ ĐỀ (Styrax tonkinensis) BẰNG CÔNG NGHỆ PHỦ ZnO Ngành: Kỹ thuật Chế biến lâm sản Mã số: 54 90 01 LUẬN ÁN TIẾN SĨ KỸ THUẬT HÀ NỘI, 2022 BỘ NÔNG NGHIỆP VÀ PTNT BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC LÂM NGHIỆP NGUYỄN VĂN HUYẾN NÂNG CAO TÍNH KỴ NƯỚC VÀ CHỐNG TIA UV CHO GỖ BỒ ĐỀ (Styrax tonkinensis) BẰNG CÔNG NGHỆ PHỦ ZnO Ngành: Kỹ thuật Chế biến lâm sản Mã số: 54 90 01 LUẬN ÁN TIẾN SĨ KỸ THUẬT Hướng dẫn khoa học: PGS TS VŨ MẠNH TƯỜNG GS TS PHẠM VĂN CHƯƠNG HÀ NỘI, 2022 i MỤC LỤC MỤC LỤC i DANH MỤC HÌNH iv DANH MỤC BẢNG vii BẢNG CÁC CHỮ VIẾT TẮT viii LỜI CAM ĐOAN .ix LỜI CẢM ƠN x TRANG THÔNG TIN NHỮNG ĐÓNG GÓP MỚI VỀ MẶT HỌC THUẬT, LÝ LUẬN CỦA LUẬN ÁN .xi ĐẶT VẤN ĐỀ CHƯƠNG TỔNG QUAN .3 1.1 Công nghệ vật liệu nano cải thiện chất lượng gỗ 1.1.1 Cải thiện tính chất lý gỗ .4 1.1.2 Tạo hiệu ứng bề mặt gỗ .6 1.1.3 Tạo tính diệt khuẩn tự làm cho gỗ .7 1.1.4 Cải thiện tính chống chịu thời tiết cho gỗ 1.1.5 Cải thiện tính chậm cháy cho gỗ 1.2 Nghiên cứu nước phương pháp biến tính gỗ cơng nghệ nano 10 1.2.1 Các nghiên cứu xử lý tạo compozit gỗ-vật liệu vô 10 1.2.2 Các nghiên cứu xử lý tạo lớp phủ micro/nano vô bề mặt gỗ 13 1.3 Nghiên cứu nước phương pháp biến tính gỗ cơng nghệ nano 15 1.4 Kết luận rút từ tổng quan .18 1.5 Mục tiêu nghiên cứu 19 1.5.1 Mục tiêu tổng quát 19 1.5.2 Mục tiêu cụ thể 19 1.6 Những đóng góp luận án 19 1.7 Ý nghĩa luận án 20 1.7.1 Ý nghĩa khoa học 20 1.7.2 Ý nghĩa thực tiễn .20 CHƯƠNG VẬT LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU .21 2.1 Vật liệu nghiên cứu 21 2.1.1 Mẫu gỗ 21 2.1.2 Hóa chất 22 2.2 Đối tượng phạm vi nghiên cứu 23 2.2.1 Đối tượng nghiên cứu 23 2.2.2 Phạm vi nghiên cứu 23 2.3 Cách tiếp cận nội dung nghiên cứu .25 ii 2.3.1 Nghiên cứu khả phủ ZnO để nâng cao tính kỵ nước chịu UV cho gỗ Bồ đề 26 2.3.2 Nghiên cứu tối ưu hóa điều kiện xử lý a xít stearic cho màng ZnO gỗ Bồ đề .27 2.3.3 Nghiên cứu nâng cao khả trì tính siêu kỵ nước gỗ Bồ đề phương pháp phủ kết hợp epoxy ZnO 27 2.4 Phương pháp nghiên cứu 27 2.4.1 Phương pháp lý thuyết 27 2.4.2 Phương pháp thực nghiệm 28 2.4.3 Kiểm tra tính chất phân tích số liệu 33 CHƯƠNG CƠ SỞ LÝ THUYẾT 38 3.1 Thành phần hóa học gỗ 38 2.1.1 Xenlulo 38 3.1.2 Hemixenlulo 42 3.1.3 Lignin 44 3.2 Công nghệ vật liệu nano .44 3.3 Hiện tượng kỵ nước tự nhiên lý thuyết thấm ướt 46 3.3.1 Hiện tượng kỵ nước tự nhiên 46 3.3.2 Lý thuyết thấm ướt bề mặt 47 3.4 Đặc điểm nano ZnO 50 3.5 Đặc điểm gỗ Bồ đề 53 CHƯƠNG KẾT QUẢ NGHIÊN CỨU .54 4.1 Khả phủ ZnO để nâng cao tính kỵ nước chịu UV cho gỗ Bồ đề 54 4.1.1 Cấu trúc hiển vi lớp phủ ZnO gỗ Bồ đề 56 4.1.2 Cấu trúc tinh thể lớp phủ ZnO gỗ Bồ đề 59 4.1.3 Tính kỵ nước gỗ Bồ đề phủ ZnO .60 4.1.3 Tính chịu ẩm gỗ Bồ đề phủ ZnO .63 4.1.5 Tính chịu nước gỗ Bồ đề phủ ZnO 65 4.1.6 Tính chịu UV gỗ Bồ đề phủ ZnO qua độ bền màu 66 4.1.7 Khả chống bám bẩn bề mặt gỗ Bồ đề phủ ZnO .69 4.2 Tối ưu hóa điều kiện xử lý a xít stearic cho màng ZnO gỗ Bồ đề 72 4.2.1 Ảnh hưởng điều kiện xử lý đến góc tiếp xúc (WCA) 74 4.2.2 Ảnh hưởng điều kiện xử lý đến hiệu cách ẩm (MEE) .79 4.2.3 Ảnh hưởng điều kiện xử lý đến hiệu suất chống hút nước (WRE) 85 4.2.4 Tối ưu hóa điều kiện xử lý a xít stearic cho gỗ Bồ đề phủ ZnO .90 4.3 Nâng cao khả trì tính siêu kỵ nước gỗ Bồ đề phương pháp phủ kết hợp epoxy ZnO .93 4.3.1 Cấu trúc hiển vi lớp phủ epoxy kết hợp ZnO gỗ Bồ đề 95 4.3.2 Cấu trúc tinh thể lớp phủ epoxy kết hợp ZnO gỗ Bồ đề 100 4.3.3 Tính kỵ nước gỗ Bồ đề phủ epoxy kết hợp ZnO 101 4.3.4 Tính chịu UV gỗ Bồ đề phủ epoxy kết hợp ZnO qua độ bền màu 103 4.4 Đề xuất quy trình cơng nghệ phủ gỗ Bồ đề ZnO 106 4.4.1 Quy trình công nghệ phủ ZnO cho gỗ Bồ đề phương pháp thủy nhiệt 106 4.4.2 Quy trình cơng nghệ phủ ZnO cho gỗ Bồ đề phương pháp phun 108 iii KẾT LUẬN VÀ KIẾN NGHỊ 110 Kết luận .110 Kiến nghị .111 DANH MỤC CÁC CƠNG TRÌNH CỦA TÁC GIẢ ĐÃ CÔNG BỐ .113 TÀI LIỆU THAM KHẢO 114 PHỤ LỤC .120 iv DANH MỤC HÌNH Hình 1.1 Ảnh hiển vi SEM (a), ESEM (b) phân bố nguyên tố TiO2 tẩm vào gỗ thông Hình 1.2 Vật liệu siêu kỵ nước (a) ZnO, (b) α-FeOOH .7 Hình 1.3 Ảnh SEM vật liệu ZnO-gỗ (a) ảnh quang học vật liệu vô cơ-gỗ (b) Hình 2.1 Sơ đồ lấy mẫu gỗ .21 Hình 2.2 Sơ đồ phương pháp tiếp cận nghiên cứu luận án 26 Hình 2.3 Mơ hình tốn thực nghiệm đa yếu tố nghiên cứu 30 Hình 3.1 Các thành phần hóa học cấu tạo nên gỗ 38 Hình 3.2 Cấu tạo hóa học xenlulo sản phẩm thủy phân xenlulo đã qua metyl hóa 40 Hình 3.3 Liên kết hydro vách tế bào gỗ 41 Hình 3.4 Hình ảnh bề mặt siêu kỵ nước Sen (Nelumbo nucifera) cấu trúc hiển vi bề mặt Sen [33] 46 Hình 3.5 Cấu trúc bề mặt chân Nhện nước (Gerris remigis) 47 Hình 3.6 Góc tiếp xúc giọt chất lỏng bề mặt vật rắn [52] 48 Hình 3.7 Mơ hình tiếp xúc giọt chất lỏng bề mặt rắn theo mơ hình Wenzel (trái) Cassie-Baxter (phải) [52] 48 Hình 3.8 Hiện tượng trễ góc tiếp xúc (Contact angle hysteresis) .49 Hình 3.9 Cấu trúc tinh thể ZnO 50 Hình 3.10 Ảnh SEM ZnO dạng hoa tổng hợp (a) độ phóng đại 10000x, (b) độ phóng đại 30000x 52 Hình 3.11 Ảnh TEM, SEM, HRTEM ZnO dạng hoa cúc 52 Hình 3.12 Nano rừng ZnO 52 Hình 4.1 Hình ảnh cấu trúc bề mặt gỗ Bồ đề đối chứng gỗ bồ đề phủ mặt ZnO 56 Hình 4.2 Mơ cấu trúc bề mặt gỗ trước sau phủ ZnO 57 Hình 3.3 Vị trí lựa chọn phân tích thành phần nguyên tố 58 Hình 4.4 Phổ tán sắc lượng tia X (EDX) bề mặt gỗ phủ ZnO 58 Hình 4.5 Phổ nhiễu xạ tia X (XRD) bề mặt mẫu gỗ Bồ đề phủ ZnO mẫu không phủ 60 v Hình 4.6 Góc tiếp xúc giọt nước với bề mặt gỗ Bồ đề chế độ xử lý khác nhau, thời gian tiếp xúc từ 0-180 giây 61 Hình 4.7 Hiệu cách ẩm MEE gỗ phủ ZnO 64 Hình 4.8 Hiệu suất chống hút nước WRE gỗ Bồ đề phủ ZnO 65 Hình 4.9 Thay đổi số độ sáng (L) bề mặt mẫu gỗ .67 Hình 4.10 Thay đổi số đỏ-xanh (a) bề mặt mẫu gỗ .67 Hình 4.11 Thay đổi số vàng-xanh lam (b) bề mặt mẫu gỗ 68 Hình 4.12 Thay đổi độ lệch màu tổng (E) mẫu gỗ 68 Hình 4.13 Hình ảnh mẫu gỗ trước sau phun nước 70 Hình 4.14 Thay đổi WCA theo nồng độ dung dịch 75 Hình 4.15 Thay đổi WCA theo thời gian xử lý 75 Hình 4.16 Mối quan hệ điều kiện xử lý với WCA 78 Hình 4.17 Tương quan giá trị hồi quy giá trị thực nghiệm WCA .79 Hình 4.18 Thay đổi MEE theo nồng độ dung dịch 81 Hình 4.19 Thay đổi MEE theo thời gian xử lý 81 Hình 4.20 Mối quan hệ điều kiện xử lý với MEE 83 Hình 4.21 Tương quan giá trị hồi quy giá trị thực nghiệm MEE 84 Hình 4.22 Thay đổi WRE theo nồng độ dung dịch 86 Hình 4.23 Thay đổi WRE theo thời gian xử lý 86 Hình 4.24 Mối quan hệ điều kiện xử lý với WRE 88 Hình 4.25 Tương quan giá trị hồi quy giá trị thực nghiệm WRE .89 Hình 4.26 Đồ thị thể giá trị tối ưu theo hàm mục tiêu .91 Hình 4.27 Quá trình tạo hạt ZnO kỵ nước kích thước micro/nano 97 Hình 4.28 Quy trình phủ epoxy ZnO lên gỗ .97 Hình 4.29 Ảnh cấu trúc bề mặt (a) mẫu không phủ S1; (b) mẫu phủ ZnO - S2; (c) mẫu phủ epoxy kết hợp ZnO – S3; (d) ảnh phóng đại mẫu S3 .98 Hình 4.30 Phổ tán sắc lương (EDX) mẫu không phủ (S1) mẫu phủ epoxy kết hợp ZnO (S3) 99 Hình 4.31 Phổ nhiễu xạ tia X mẫu không phủ ZnO (S1) mẫu phủ epoxy kết hợp ZnO (S3) 100 Hình 4.32 Góc tiếp xúc nước với bề mặt gỗ 102 Hình 4.33 (a) Góc tiếp xúc (WCA) nước với gỗ sau chu kỳ phun nước; (b) Mô phương pháp mài mòn tia nước lên bề mặt gỗ .103 vi Hình 4.34 Sự thay đổi màu sắc gỗ không phủ (a) gỗ phủ epoxy kết hợp ZnO với thời gian chiếu UV khác 104 Hình 4.35 Quy trình phủ ZnO phương pháp thủy nhiệt 107 Hình 4.36 Quy trình phủ ZnO phương pháp phun 109 vii DANH MỤC BẢNG Bảng 2.1 Các mức thay đổi thông số đầu vào 30 Bảng 2.2 Ma trận thí nghiệm đa yếu tố biến tính nhiệt cho gỗ 30 Bảng 3.1 Một số loại vật liệu nano lĩnh vực sử dụng 45 Bảng 3.2 Một số tính chất học gỗ Bồ Đề 53 Bảng 4.1 Bố trí thí nghiệm kết xác định WCA 74 Bảng 4.2 Kết phân tích ANOVA ảnh hưởng đến WCA 76 Bảng 4.3 Bố trí thí nghiệm kết xác định MEE .80 Bảng 4.4 Kết phân tích ANOVA ảnh hưởng đến MEE 82 Bảng 4.5 Bố trí thí nghiệm kết xác định WRE .85 Bảng 4.6 Kết phân tích ANOVA ảnh hưởng đến WRE 87 Bảng 4.7 Thông số lựa chọn tối ưu hóa 90 Bảng 4.8 Giá trị tối ưu hàm lượng formaldehyde dư, độ bền dán dính hàm lượng khơ 91 viii BẢNG CÁC CHỮ VIẾT TẮT Ký hiệu Ý nghĩa WIC Wood-Inorganic composites TEOS ethyl-ortho-silicate PFDTS perfluorodecyltriethoxysilane OTS octadecyltrichlorosilane TEA Triethenamine MEE Hiệu cách ẩm WA Độ hút nước gỗ RSM Phương pháp phương pháp bề mặt đáp ứng CCD Cách bố trí phức hợp tâm WRE Hiệu suất chống nước ZnO Kẽm ô xít C Nồng độ dung dịch t Thời gian EDX Phổ tán sắc lượng tia X FESEM Kính hiển vi điện tử quét XRD Phổ nhiễu xạ tia X WCA Góc tiếp xúc ZnAC Zinc Acetate LB-ADSA Low Bond Axisymmetric Drop Shape Analysis P7 KẾT QUẢ PHÂN TÍCH GĨC TIẾP XÚC THEO PHẦN MỀM DESIGN EXPERT ANOVA for Quadratic model Response 1: WCA Source Sum of Squares df Mean Square F-value p-value 625.48 125.10 9.98 0.0044 significant Model A-C 89.56 89.56 7.14 0.0319 B-t 416.63 416.63 33.23 0.0007 AB 4.08 4.08 0.3255 0.5862 A² 22.60 22.60 1.80 0.2213 B² 103.25 103.25 8.24 0.0240 12.54 Residual 87.76 Lack of Fit 78.93 26.31 11.92 0.0183 significant Pure Error 8.83 2.21 12 Cor Total 713.24 Factor coding is Coded Sum of squares is Type III - Partial The Model F-value of 9.98 implies the model is significant There is only a 0.44% chance that an F-value this large could occur due to noise P-values less than 0.0500 indicate model terms are significant In this case A, B, B² are significant model terms Values greater than 0.1000 indicate the model terms are not significant If there are many insignificant model terms (not counting those required to support hierarchy), model reduction may improve your model The Lack of Fit F-value of 11.92 implies the Lack of Fit is significant There is only a 1.83% chance that a Lack of Fit F-value this large could occur due to noise Significant lack of fit is bad we want the model to fit Fit Statistics 0.8770 Std Dev 3.54 R² 145.56 Adjusted R² 0.7891 Mean C.V % 2.43 Predicted R² 0.1937 Adeq Precision 9.0660 The Predicted R² of 0.1937 is not as close to the Adjusted R² of 0.7891 as one might normally expect; i.e the difference is more than 0.2 This may indicate a large block effect or a possible problem with your model and/or data Things to consider are model reduction, response transformation, outliers, etc All empirical models should be tested by doing confirmation runs Adeq Precision measures the signal to noise ratio A ratio greater than is desirable Your ratio of 9.066 indicates an adequate signal This model can be used to navigate the design space Final Equation in Terms of Actual Factors WCA = +57.36746 +34.38188 C +0.556026 t -0.033667 C * t -7.21000 C² -0.001070 t² The equation in terms of actual factors can be used to make predictions about the response for given levels of each factor Here, the levels should be specified in the original units for each factor This equation should not be used to determine the relative impact of each factor because the coefficients are scaled to accommodate the units of each factor and the intercept is not at the center of the design space Coefficients in Terms of Coded Factors Factor Coefficient Estimate df Standard Error 95% CI Low 95% CI High VIF Intercept 149.04 1.58 145.30 152.78 A-C 3.35 1.25 0.3857 6.31 1.0000 B-t 7.22 1.25 4.26 10.18 1.0000 AB -1.01 1.77 -5.20 3.18 1.0000 A² -1.80 1.34 -4.98 1.37 1.02 B² -3.85 1.34 -7.03 -0.6780 1.02 The coefficient estimate represents the expected change in response per unit change in factor value when all remaining factors are held constant The intercept in an orthogonal design is the overall average response of all the runs The coefficients are adjustments around that average based on the factor settings When the factors are orthogonal the VIFs are 1; VIFs greater than indicate multi-colinearity, the higher the VIF the more severe the correlation of factors As a rough rule, VIFs less than 10 are tolerable P8 KẾT QUẢ PHÂN TÍCH MEE THEO PHẦN MỀM DESIGN EXPERT ANOVA for Quadratic model Response 2: MEE Source Sum of Squares df Mean Square F-value p-value 0.5834 0.1167 8.61 0.0067 significant Model A-C 0.2376 0.2376 17.54 0.0041 B-t 0.1510 0.1510 11.15 0.0124 AB 0.1899 0.1899 14.02 0.0072 A² 0.0044 0.0044 0.3252 0.5863 B² 0.0001 0.0001 0.0100 0.9232 0.0135 Residual 0.0948 Lack of Fit 0.0449 0.0150 1.20 0.4167 not significant Pure Error 0.0499 0.0125 12 Cor Total 0.6782 Factor coding is Coded Sum of squares is Type III - Partial The Model F-value of 8.61 implies the model is significant There is only a 0.67% chance that an F-value this large could occur due to noise P-values less than 0.0500 indicate model terms are significant In this case A, B, AB are significant model terms Values greater than 0.1000 indicate the model terms are not significant If there are many insignificant model terms (not counting those required to support hierarchy), model reduction may improve your model The Lack of Fit F-value of 1.20 implies the Lack of Fit is not significant relative to the pure error There is a 41.67% chance that a Lack of Fit F-value this large could occur due to noise Non-significant lack of fit is good we want the model to fit Final Equation in Terms of Actual Factors MEE = +1.98716 +1.95389 C +0.012742 t -0.007262 C*t -0.100657 C² +1.22505E-06 t² The equation in terms of actual factors can be used to make predictions about the response for given levels of each factor Here, the levels should be specified in the original units for each factor This equation should not be used to determine the relative impact of each factor because the coefficients are scaled to accommodate the units of each factor and the intercept is not at the center of the design space Fit Statistics 0.8602 Std Dev 0.1164 R² 5.05 0.7603 Mean Adjusted R² C.V % 2.30 Predicted R² 0.4141 Adeq Precision 9.8706 The Predicted R² of 0.4141 is not as close to the Adjusted R² of 0.7603 as one might normally expect; i.e the difference is more than 0.2 This may indicate a large block effect or a possible problem with your model and/or data Things to consider are model reduction, response transformation, outliers, etc All empirical models should be tested by doing confirmation runs Adeq Precision measures the signal to noise ratio A ratio greater than is desirable Your ratio of 9.871 indicates an adequate signal This model can be used to navigate the design space Coefficients in Terms of Coded Factors Factor Coefficient Estimate df Standard Error 95% CI Low 95% CI High VIF Intercept 5.06 0.0520 4.94 5.19 A-C 0.1724 0.0411 0.0751 0.2697 1.0000 B-t 0.1374 0.0411 0.0401 0.2347 1.0000 AB -0.2179 0.0582 -0.3555 -0.0803 1.0000 A² -0.0252 0.0441 -0.1295 0.0792 1.02 B² 0.0044 0.0441 -0.0999 0.1088 1.02 The coefficient estimate represents the expected change in response per unit change in factor value when all remaining factors are held constant The intercept in an orthogonal design is the overall average response of all the runs The coefficients are adjustments around that average based on the factor settings When the factors are orthogonal the VIFs are 1; VIFs greater than indicate multi-colinearity, the higher the VIF the more severe the correlation of factors As a rough rule, VIFs less than 10 are tolerable P9 KẾT QUẢ PHÂN TÍCH WRE THEO PHẦN MỀM DESIGN EXPERT ANOVA for Quadratic model Response 3: WRE Source Sum of Squares df Mean Square F-value p-value 2.59 0.5182 7.44 0.0101 significant Model A-C 1.59 1.59 22.78 0.0020 B-t 0.8674 0.8674 12.46 0.0096 AB 0.1161 0.1161 1.67 0.2376 A² 0.0081 0.0081 0.1165 0.7429 B² 0.0160 0.0160 0.2291 0.6468 0.0696 Residual 0.4873 Lack of Fit 0.3672 0.1224 4.07 0.1041 not significant Pure Error 0.1201 0.0300 12 Cor Total 3.08 Factor coding is Coded Sum of squares is Type III - Partial The Model F-value of 7.44 implies the model is significant There is only a 1.01% chance that an F-value this large could occur due to noise P-values less than 0.0500 indicate model terms are significant In this case A, B are significant model terms Values greater than 0.1000 indicate the model terms are not significant If there are many insignificant model terms (not counting those required to support hierarchy), model reduction may improve your model The Lack of Fit F-value of 4.07 implies the Lack of Fit is not significant relative to the pure error There is a 10.41% chance that a Lack of Fit F-value this large could occur due to noise Non-significant lack of fit is good we want the model to fit Final Equation in Terms of Actual Factors WRE = +15.73788 +0.278055 C +0.001759 t +0.005679 C * t -0.136573 C² -0.000013 t² The equation in terms of actual factors can be used to make predictions about the response for given levels of each factor Here, the levels should be specified in the original units for each factor This equation should not be used to determine the relative impact of each factor because the coefficients are scaled to accommodate the units of each factor and the intercept is not at the center of the design space Fit Statistics 0.8417 Std Dev 0.2639 R² 17.22 Adjusted R² 0.7286 Mean C.V % 1.53 Predicted R² 0.0908 Adeq Precision 8.7076 The Predicted R² of 0.0908 is not as close to the Adjusted R² of 0.7286 as one might normally expect; i.e the difference is more than 0.2 This may indicate a large block effect or a possible problem with your model and/or data Things to consider are model reduction, response transformation, outliers, etc All empirical models should be tested by doing confirmation runs Adeq Precision measures the signal to noise ratio A ratio greater than is desirable Your ratio of 8.708 indicates an adequate signal This model can be used to navigate the design space Coefficients in Terms of Coded Factors Factor Coefficient Estimate df Standard Error 95% CI Low 95% CI High VIF Intercept 17.27 0.1180 16.99 17.55 A-C 0.4453 0.0933 0.2247 0.6658 1.0000 B-t 0.3293 0.0933 0.1087 0.5499 1.0000 AB 0.1704 0.1319 -0.1416 0.4823 1.0000 A² -0.0341 0.1000 -0.2707 0.2024 1.02 B² -0.0479 0.1000 -0.2844 0.1887 1.02 The coefficient estimate represents the expected change in response per unit change in factor value when all remaining factors are held constant The intercept in an orthogonal design is the overall average response of all the runs The coefficients are adjustments around that average based on the factor settings When the factors are orthogonal the VIFs are 1; VIFs greater than indicate multi-colinearity, the higher the VIF the more severe the correlation of factors As a rough rule, VIFs less than 10 are tolerable ... ZnO gỗ Bồ đề 56 4.1.2 Cấu trúc tinh thể lớp phủ ZnO gỗ Bồ đề 59 4.1.3 Tính kỵ nước gỗ Bồ đề phủ ZnO .60 4.1.3 Tính chịu ẩm gỗ Bồ đề phủ ZnO .63 4.1.5 Tính chịu nước gỗ Bồ đề. .. khả phủ ZnO để nâng cao tính kỵ nước chịu UV cho gỗ Bồ đề (1) Phân tích cấu trúc hiển vi lớp phủ ZnO gỗ Bồ đề (2) Phân tích cấu trúc tinh thể lớp phủ ZnO gỗ Bồ đề 27 (3) Đánh giá tính kỵ nước gỗ. .. nâng cao khả trì tính siêu kỵ nước lớp phủ ZnO gỗ Bồ đề 1.6 Những đóng góp luận án - Luận án cơng trình Việt Nam nghiên cứu cách hệ thống công nghệ phủ ZnO cho gỗ Bồ đề, nâng cao tính kỵ nước
- Xem thêm -

Xem thêm: Luận án Tiến sĩ Nâng cao tính kỵ nước và chống tia uv cho gỗ Bồ đề (Styrax tonkinensis) bằng công nghệ phủ ZnO,

Từ khóa liên quan