MétaCan
Menu
Retour à la cohorte
Enregistrement W2028257783 · doi:10.1116/1.3605300

Monte Carlo simulation of electron scattering and secondary electron emission in individual multiwalled carbon nanotubes: A discrete-energy-loss approach

2011· article· en· W2028257783 sur OpenAlexafffund
Md. Kawsar Alam, Alireza Nojeh

Notice bibliographique

RevueJournal of Vacuum Science & Technology B Nanotechnology and Microelectronics Materials Processing Measurement and Phenomena · 2011
Typearticle
Langueen
DomaineMaterials Science
ThématiqueElectron and X-Ray Spectroscopy Techniques
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesUniversity of British Columbia
Mots-clésScatteringElectronMonte Carlo methodSecondary emissionAtomic physicsElectron scatteringSecondary electronsMaterials scienceCarbon nanotubeIonizationRange (aeronautics)Electron energy loss spectroscopyMolecular physicsComputational physicsPhysicsNanotechnologyOpticsIonNuclear physicsComposite materialQuantum mechanics

Résumé

récupéré en direct d'OpenAlex

Electron scattering in and secondary electron emission from multiwalled carbon nanotubes are investigated using Monte Carlo simulation. The method treats energy loss in a discrete manner, resulting from individual scattering events, rather than within a continuous-slowing-down approximation. Simulation results agree fairly well with the reported experimental data. The effect of number of nanotube walls is investigated and the energy distribution of the transmitted electrons is calculated. It is found that secondary electron yield in the low-primary-energy range is more sensitive to the number of walls and is maximized for a particular number of walls. The effect is not significant in the higher-primary-energy range. The effect of core electron ionization on secondary electron emission from nanotubes is found to be negligible because of the low scattering cross-section involved. The presented framework can also be applied to other small structures such as nanowires.

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)0,003
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
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 enseignants0,011
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
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 Opus0,019
Tête enseignante GPT0,255
Écart entre enseignants0,236 · 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.

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

Citations9
Publié2011
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Vacuum Science & Technology B Nanotechnology and Microelectronics Materials Processing Measurement and PhenomenaMême sujetElectron and X-Ray Spectroscopy TechniquesTravaux en français237 207