MétaCan
Menu
Retour à la cohorte
Enregistrement W2020339479 · doi:10.1109/nano.2014.6968161

Recent studies on applications of nanoresonators in sensors and molecular transportation

2014· article· en· W2020339479 sur OpenAlexafffund
Quan Wang, Behrouz Arash

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueMechanical and Optical Resonators
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesCanada Research Chairs
Mots-clésCarbon nanotubeGrapheneResonatorNanotechnologyMaterials scienceOptoelectronics

Résumé

récupéré en direct d'OpenAlex

Recently, interests have been orientated toward the development of nano-electromechanical systems such as nanoresonators. The ultra-high-frequency of nanoresonators facilitates a wide range of new applications such as ultra-high sensitive sensors, molecular transportation, high-frequency signal processing, biological imaging, quantum measurement and radio frequency communications. In this study, applications of nanoresonators in sensors and molecular transportation are introduced and reviewed. Studies on nanoresonator sensors made of carbon nanotubes and graphene sheets for detection of atoms/molecules based on vibration and wave propagation analyses are outlined. The principle of the nano-sensors is to detect shifts in resonant frequencies or the wave velocities in the sensors caused by surrounding foreign atoms or molecules. Furthermore, the feasibility of molecular transportation using propagation of torsional and impulse waves in nano-resonator devices is presented. An extended application of the transportation methods for building nanofiltering systems with ultra-high selectivity is survived. The article aims to provide a state-of-the-art introduction of the potential of resonators made of carbon nanotubes and graphene sheets, and inspire further applications of the nanoresonators.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,010
Tête enseignante GPT0,262
Écart entre enseignants0,252 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

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

En bref

Citations0
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetMechanical and Optical ResonatorsTravaux en français237 207