MétaCan
Menu
Retour à la cohorte
Enregistrement W2065469122 · doi:10.1063/1.4868236

Development of a quartz tuning-fork-based force sensor for measurements in the tens of nanoNewton force range during nanomanipulation experiments

2014· article· en· W2065469122 sur OpenAlexaff
Vitor Toshiyuki Abrao Oiko, Bruno Martins, Priscilla Chantal Duarte Silva, Varlei Rodrigues, D. Ugarte

Notice bibliographique

RevueReview of Scientific Instruments · 2014
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueForce Microscopy Techniques and Applications
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésTuning forkCantileverBar (unit)Materials scienceNon-contact atomic force microscopyDynamic rangeForce dynamicsRange (aeronautics)AcousticsNanotechnologyAtomic force microscopyOpticsKelvin probe force microscopePhysicsMechanical engineeringVibrationComposite material

Résumé

récupéré en direct d'OpenAlex

Understanding the mechanical properties of nanoscale systems requires new experimental and theoretical tools. In particular, force sensors compatible with nanomechanical testing experiments and with sensitivity in the nN range are required. Here, we report the development and testing of a tuning-fork-based force sensor for in situ nanomanipulation experiments inside a scanning electron microscope. The sensor uses a very simple design for the electronics and it allows the direct and quantitative force measurement in the 1-100 nN force range. The sensor response is initially calibrated against a nN range force standard, as, for example, a calibrated Atomic Force Microscopy cantilever; subsequently, applied force values can be directly derived using only the electric signals generated by the tuning fork. Using a homemade nanomanipulator, the quantitative force sensor has been used to analyze the mechanical deformation of multi-walled carbon nanotube bundles, where we analyzed forces in the 5-40 nN range, measured with an error bar of a few nN.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,052
Score d'incertitude au seuil0,454

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,046
Tête enseignante GPT0,313
Écart entre enseignants0,267 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations5
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueReview of Scientific InstrumentsMême sujetForce Microscopy Techniques and ApplicationsTravaux en français237 207