MétaCan
Menu
Retour à la cohorte
Enregistrement W2613844662 · doi:10.1039/c7cp01533j

Decoding structural complexity in conical carbon nanofibers

2017· article· en· W2613844662 sur OpenAlexaff
Yi‐An Zhu, Zijun Wang, Hongye Cheng, Qin-Min Yang, Zhi‐Jun Sui, Xinggui Zhou, De Chen

Notice bibliographique

RevuePhysical Chemistry Chemical Physics · 2017
Typearticle
Langueen
DomaineMaterials Science
ThématiqueCarbon Nanotubes in Composites
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesFundamental Research Funds for the Central UniversitiesNational Natural Science Foundation of China
Mots-clésConical surfaceApex (geometry)Materials scienceNanofiberDecoding methodsCarbon nanofiberCarbon fibersFiberNanotechnologyOpticsComposite materialCarbon nanotubeGeometryPhysicsComputer scienceAlgorithm

Résumé

récupéré en direct d'OpenAlex

Conical carbon nanofibers (CNFs) exist primarily as graphitic ribbons that fold into a cylindrical structure with the formation of a hollow core. Structural analysis aided by molecular modeling proves useful for obtaining a full picture of how the size of the central channel varies from fiber to fiber. From a geometrical perspective, conical CNFs possibly have cone tips that are nearly closed. On the other hand, their fiber wall thickness can be reduced to a minimum possible value that is determined solely by the apex angle, regardless of the outer diameter. A formula has been developed to express the number of carbon atoms present in conical CNFs in terms of measurable structural parameters. It appears that the energetically preferred fiber wall thickness increases not only with the apex angle, but also with the number of atoms in the constituent graphitic cones. The origin of the empirical observation that conical CNFs with small apex angles tend to have a large hollow core lies in the fact that in graphene sheets that are more highly curved the curvature-induced strain energy rises more rapidly as the fiber wall thickens.

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)0,003
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 seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0000,001
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 Opus0,040
Tête enseignante GPT0,309
Écart entre enseignants0,269 · 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

Citations3
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePhysical Chemistry Chemical PhysicsMême sujetCarbon Nanotubes in CompositesTravaux en français237 207