Watching Iron Nanoparticles Rust: An <i>in Situ</i> X-ray Absorption Spectroscopic Study
Notice bibliographique
Résumé
Iron nanoparticles and iron oxide nanoparticles are among the most commonly studied nanomaterials because of their applications in fields ranging from catalysis to ferrofluids. However, many synthetic methods give iron nanoparticles with large size distributions, and it is difficult to follow the kinetics of iron nanoparticle oxidation reactions and the relative speciation of iron oxidation states in real time. Herein, we introduce a simple approach of controlling the sizes of Fe@Fe x O y nanoparticles and a novel method for following Fe@Fe x O y nanoparticle oxidation in situ in liquid solutions by Fe K- and L-edge X-ray absorption near-edge structure (XANES) spectroscopy. XANES results show that these Fe@Fe x O y nanoparticles have similar XANES spectra before exposure to air. In situ XANES measurements allow for quantitative oxidation kinetics of different nanoparticle sizes to be followed; results show that the rate of Fe(0) oxidation increases with a decrease in average nanoparticle size. However, the rate of Fe core size depletion was found to be ca. 0.02 nm/min for all the nanoparticle systems studied. This suggests similar oxidation mechanisms are at work for all the particle sizes studied. This work shows that in situ liquid cell XANES can be used to follow oxidation state and coordination environment changes in Fe NP dispersions.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| 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 tête enseignante, 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 ».