Dynamic optoelectric trapping and deposition of multiwalled carbon nanotubes
Notice bibliographique
Résumé
In the path toward the realization of carbon nanotube (CNT)-driven electronics and sensors, the ability to precisely position CNTs at well-defined locations remains a significant roadblock. Highly complex CNT-based bottom-up structures can be synthesized if there is a method to accurately trap and place these nanotubes. In this study, we demonstrate that the rapid electrokinetic patterning (REP) technique can accomplish these tasks. By using laser-induced alternating current (AC) electrothermal flow and particle-electrode forces, REP can collect and maneuver a wide range of vertically aligned multiwalled CNTs (from a single nanotube to over 100 nanotubes) on an electrode surface. In addition, these trapped nanotubes can be electrophoretically deposited at any desired location onto the electrode surface. Apart from active control of the position of these deposited nanotubes, the number of CNTs in a REP trap can also be dynamically tuned by changing the AC frequency or by adjusting the concentration of the dispersed nanotubes. On the basis of a calculation of the stiffness of the REP trap, we found an upper limit of the manipulation speed, beyond which CNTs fall out of the REP trap. This peak manipulation speed is found to be dependent on the electrothermal flow velocity, which can be varied by changing the strength of the AC electric field.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 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 source (Gemma direct ou Codex distillé), 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 ».