MétaCan
Menu
Retour à la cohorte
Enregistrement W2133481808 · doi:10.3390/s110100019

Improving the Performance of Catalytic Combustion Type Methane Gas Sensors Using Nanostructure Elements Doped with Rare Earth Cocatalysts

2010· article· en· W2133481808 sur OpenAlexafffund
Ying Wang, Min Ming Tong, Dan Zhang, Zhen Gao

Notice bibliographique

RevueSensors · 2010
Typearticle
Langueen
DomaineEngineering
ThématiqueGas Sensing Nanomaterials and Sensors
Établissements canadiensOntario Tech University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaNational Natural Science Foundation of ChinaCanada Research Chairs
Mots-clésCeriumCatalysisMethaneCatalytic combustionMaterials scienceDopingThermal stabilityCombustionNanostructureSulfurChemical engineeringNanotechnologyInorganic chemistryAnalytical Chemistry (journal)ChemistryOptoelectronicsOrganic chemistryMetallurgy

Résumé

récupéré en direct d'OpenAlex

Conventional methane gas sensors based on catalytic combustion have the drawbacks of high working temperature, low thermal stability and small measurement range. To improve their performance, cerium, which possesses high oxygen storage and release ability, was introduced via nanotechnology to prepare Ce-contained nanostructure elements. Three kinds of elements with different carriers: Al(2)O(3), n-Al(2)O(3) and n-Ce-Al(2)O(3) were prepared and separately fabricated (Pt-Pd/Al, Pt-Pd/n-Al, Pt-Pd/n-Ce-Al). The performances of Wheatstone Bridges with three different catalytic elements were tested and compared. The results indicated that the cerium-containing element exhibited better performance than other elements regarding activity, anti-sulfur ability and thermal stability. Moreover, a constant temperature circuit was also applied in this system. The measurement range was extended from 4% to 10% by automatically decreasing the working current in a reasonable range. The maximum error for 0%-10% CH(4) was controlled below 5%, which fully meets the measurement requirements.

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)0,000
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 enseignants0,089
Score d'incertitude au seuil0,818

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 Opus0,008
Tête enseignante GPT0,199
Écart entre enseignants0,191 · 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

Citations53
Publié2010
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSensorsMême sujetGas Sensing Nanomaterials and SensorsTravaux en français237 207