MétaCan
Menu
Retour à la cohorte
Enregistrement W1988758822 · doi:10.1021/la702114c

Fabrication of Surface Energy/Chemical Gradients Using Self-Assembled Monolayer Surfaces

2008· article· en· W1988758822 sur OpenAlexafffund
Sornanathan Meyyappan, Mohammad Reza Shadnam, Alidad Amirfazli

Notice bibliographique

RevueLangmuir · 2008
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueForce Microscopy Techniques and Applications
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésDesorptionWettingMonolayerSelf-assembled monolayerLaserAnalytical Chemistry (journal)ChemistrySubstrate (aquarium)Surface energyMaterials scienceNanotechnologyOpticsAdsorptionComposite materialChromatographyOrganic chemistryPhysical chemistry

Résumé

récupéré en direct d'OpenAlex

Direct laser patterning of surface energy gradients for alkanethiols on gold has been demonstrated. A homogeneous 1-hexadecanethiol self-assembled monolayer (SAM) on gold (supported by a glass substrate) was selectively desorbed using a focused laser beam. By continually varying the incident laser intensity along a straight line scan, a gradient in desorption was produced. This desorption gradient was then backfilled with the second SAM (16-mercaptohexadecanoic acid), to produce a wettability gradient. The gradient in wettability was characterized by condensation imaging. Secondary ion mass spectroscopy was also used to show variation of the second SAM population from maximum to zero along the length, representative of the chemical gradient. The hexadecanethiol desorption was found to be the most sensitive in a laser intensity range of 29.15-6.5 kW/cm2. By considering the functional behavior of the governing equations, the theoretical trend for desorption as a function of laser intensity (represented by the out-of-focus distance) was determined. It was found to conform to the experimental data. The proposed method is fast, simple, noncontact, and flexible in terms of producing different types of gradients.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,038
Score d'incertitude au seuil0,368

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,015
Tête enseignante GPT0,262
Écart entre enseignants0,247 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations24
Publié2008
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueLangmuirMême sujetForce Microscopy Techniques and ApplicationsTravaux en français237 207