Systematic synthesis of high surface area silica nanoparticles in the sol–gel condition by using the central composite design (CCD) method
Notice bibliographique
Résumé
The sol–gel method is employed for producing high surface area silica nanoparticles from a cheap precursor, that is water glass (sodium silicate). To design the experiments systematically, the response surface method (RSM) combined with the central composite design (CCD) approach is used. Four major factors including the concentration of sodium silicate solution, solution pH, reaction temperature and reaction time are identified as the major controlling parameters and the particle surface area is considered as the response or the output parameter. A total of 31 experiments are designated by the CCD. The experiments are conducted at a centre point chosen based on experience and at its vicinity to investigate how the response changes as the factors change. Nanoparticles with a surface area as high as 630 m 2 /g and a particle size as low as 8 nm are produced at the optimum parameters of sodium silicate concentration of 1.5 × 10 −4 g/L, pH of 4, a reaction temperature of 25°C and a reaction time of 1.5 h. A regression analysis is performed on the experimental data and a correlation is obtained that may be used to predict the particle surface area and investigate the effect of varying the factors on the response. Within the range of parameters studied here, it is found that the solution pH and then the process temperature have a profound effect on the surface area and concentration and reaction time have a moderate effect. An increase of the solution pH from 4 to higher values results in a rapid drop in the particle surface area.
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 | 0,002 | 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 | 0,001 | 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 ».