Particle Deposition onto Charge-Heterogeneous Substrates
Notice bibliographique
Résumé
The deposition of model colloidal particles onto striped charge-heterogeneous surfaces was studied to determine the influence of surface chemical heterogeneity on the deposit morphology. The charge heterogeneity was created employing self-assembled monolayers of carboxyl- and amine-terminated alkanethiols using a soft lithographic technique. Polystyrene sulfate microspheres and fluorescent polystyrene nanoparticles were sequentially deposited onto the patterned substrate under no flow (quiescent) condition. The deposited structures and the micropatterns were imaged using a combination of phase contrast and fluorescence microscopy. The experimental particle deposition behavior was compared to predictions based on random sequential adsorption (RSA) employing a Monte Carlo technique. Comparison of radial distribution obtained from experimental data was made with the theoretical results and found to be in good agreement despite the use of a simple binary probabilistic model in the simulations. The primary conclusion from the study is that particles tend to preferentially deposit at the edges of the favorable stripes. However, the extent of this bias can be controlled by the proximity of consecutive favorable stripes (or width of the intervening unfavorable stripes) as well as the particle size relative to the stripe width. Second, a simple binary probability distribution-based Monte Carlo RSA deposition model adequately predicts the deposit structure, particularly the periodicity of the underlying patterns on the substrate. These observations suggest that the patterns could be encrypted by the deposited particles, which can subsequently be decoded, given the proper "key" or information that is based on analyzing the deposit morphology.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».