Metallic nanoparticles functionalizing carbon nanotube networks for gas sensing applications
Notice bibliographique
Résumé
We report the fabrication of carbon nanotube (CNT) based gas sensors functionalized with different metallic nanoparticles (NPs) (Au, Pd, Ag) with exceptionally high responses towards four test gases (NH3, CO2, CO and ethanol). The CNT networks were fabricated through a low cost spray deposition process while the NPs were deposited by a thermal evaporation process. CNT based gas sensors functionalized with Au with a nominal thickness of 1.0 nm showed superior response towards NH3, CO and ethanol. The sensors' normalized responses reached 92%, 22% and 32% with concentrations of 100 ppm, 50 ppm and 100 ppm for NH3, CO and ethanol respectively. CNT based gas sensors functionalized with Pd with a nominal thickness of 1.5 nm showed the best performance with CO2. The normalized response reached 3%, 6%, 12% and 17% with concentrations of 500 ppm, 1000 ppm, 2500 ppm and 5000 ppm of CO2 respectively. We also investigated the morphological and optical changes that occur to the NPs upon thermal treatment. Functionalization of CNT films deposited on glass with Au and Ag showed surface plasmon resonance effects that are dependent on the nominal thickness of the functionalization layer.
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 | 0,001 | 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) | 0,000 | 0,000 |
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.
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 ».