MétaCan
Menu
Retour à la cohorte
Enregistrement W2001793623 · doi:10.1088/0957-4484/24/29/295502

‘Sticky electrodes’ for the detection of silver nanoparticles

2013· article· en· W2001793623 sur OpenAlexfundno aff
Kristina Tschulik, Robert G. Palgrave, Christopher Batchelor‐McAuley, Richard G. Compton

Notice bibliographique

RevueNanotechnology · 2013
Typearticle
Langueen
DomaineChemistry
ThématiqueElectrochemical Analysis and Applications
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of OxfordLeverhulme TrustUniversity of Victoria
Mots-clésMaterials scienceElectrodeGlassy carbonNanoparticleSilver nanoparticleElectrolyteCarbon fibersChemical engineeringAnodic stripping voltammetryAnodeDetection limitNanotechnologyElectrochemistryComposite materialChromatographyCyclic voltammetryChemistry

Résumé

récupéré en direct d'OpenAlex

Detection and quantification of nanoparticles in environmental systems is a task that requires reliable and affordable analytical methods. Here an approach using a cysteine-modified 'sticky' glassy carbon electrode is presented. The electrode is immersed in a silver nanoparticle containing electrolyte and left in this suspension without an applied potential, i.e. under open circuit condition, for a variable amount of time. The amount of silver nanoparticles immobilized on the electrode within this sticking time is then determined by oxidative stripping, yielding the anodic charge and thus the amount of Ag nanoparticles sticking to the electrode surface. When using a cysteine-modified glassy carbon electrode, significant and reproducible amounts of silver nanoparticles stick to the surface, which is not the case for unmodified glassy carbon surfaces. Additionally, proof-of-concept experiments are performed on real seawater samples. These demonstrate that also under simulated environmental conditions an increased immobilization and hence improved detection of silver nanoparticles on cysteine-modified glassy carbon electrodes is achieved, while no inhibitive interference with this complex matrix is observed.

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 seuil0,182

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 Opus0,006
Tête enseignante GPT0,217
Écart entre enseignants0,211 · 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

Citations28
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNanotechnologyMême sujetElectrochemical Analysis and ApplicationsTravaux en français237 207