MétaCan
Menu
Retour à la cohorte
Enregistrement W2141750640 · doi:10.1109/nano.2008.83

Effect of Percolation on Electrical Conductivity in a Carbon Nanotube-Based Film Radiation Sensor

2008· article· en· W2141750640 sur OpenAlexaff
Jiazhi Ma, John T. W. Yeow, James C. L. Chow, Rob Barnett

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineMaterials Science
ThématiqueCarbon Nanotubes in Composites
Établissements canadiensGrand River HospitalPrincess Margaret Cancer CentreUniversity Health NetworkUniversity of TorontoUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésCarbon nanotubeMaterials sciencePercolation (cognitive psychology)ConductivityPercolation thresholdPercolation theoryElectrical resistivity and conductivityNanotechnologyComposite materialCurrent densityOptoelectronicsElectrical engineering

Résumé

récupéré en direct d'OpenAlex

Devices based on carbon nanotube (CNT) films offer advantages over devices based on single CNT due to their ease of manufacture, good reproducibility, and high efficiency. A good understanding on percolation properties of CNT films is essential in the design of CNT-based film devices. In this paper, the effect of percolation on electrical conductivity in a CNT-based film radiation sensor was studied. CNT films with different densities were prepared to find the relationship between the film conductivity and the CNT density in the film. The effect of CNTs' length on the critical density of the film was also discussed based on percolation theory. The average length of CNTs determines the critical density of the film and in turn governs the film conductivity. For the CNT-based film radiation sensor, larger responses were achieved when the CNT film was prepared with 3 layers of CNTs. In general, it is expected that by using the unique properties of CNT films within the percolation region, devices based on such films can achieve superior performances.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,001
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
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 savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,010
Tête enseignante GPT0,252
Écart entre enseignants0,242 · 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 source (Gemma direct ou Codex distillé), 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

Citations8
Publié2008
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetCarbon Nanotubes in CompositesTravaux en français237 207