Determination of Complete Melting and Surface Premelting Points of Silver Nanoparticles by Molecular Dynamics Simulation
Notice bibliographique
Résumé
A molecular dynamics simulation based on the embedded-atom method was conducted at different sizes of single-crystal Ag nanoparticles (NPs) with diameters of 4 to 20 nm to find complete melting and surface premelting points. Unlike the previous theoretical models, our model can predict both complete melting and surface premelting points for a wider size range of NPs. Programmed heating at an equal rate was applied to all sizes of NPs. Melting kinetics showed three different trends that are, respectively, associated with NPs in the size ranges of 4 to 7 nm, 8 to 10 nm, and 12 to 20 nm. NPs in the first range melted at a single temperature without passing through a surface premelting stage. Melting of the second range started by forming a quasi-liquid layer that expanded to the core, followed by the formation of a liquid layer of 1.8 nm thickness that also subsequently expanded to the core with increasing temperature and completed the melting process. For particles in the third range, the 1.8 nm liquid layer was formed once the thickness of the quasi-liquid layer reached 5 nm. The liquid layer expanded to the core and formed thicker stable liquid layers as the temperature increased toward the complete melting point. The ratio of the quasi-liquid layer thickness to the NP radius showed a linear relationship with temperature.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».