MétaCan
Menu
Retour à la cohorte
Enregistrement W2771725210 · doi:10.1002/admt.201700207

Robust Superhydrophobic Laser‐Induced Graphene for Desalination Applications

2017· article· en· W2771725210 sur OpenAlexafffund
Collin M. Tittle, Dilara Yilman, Michael A. Pope, C. Backhouse

Notice bibliographique

RevueAdvanced Materials Technologies · 2017
Typearticle
Langueen
DomaineMaterials Science
ThématiqueSurface Modification and Superhydrophobicity
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésDesalinationMembrane distillationFabricationMaterials scienceGrapheneNanotechnologyContact angleMembraneDistilled waterWater desalinationDurabilityComposite materialChemistry

Résumé

récupéré en direct d'OpenAlex

Abstract The fabrication of long‐lived, durable, superhydrophobic surfaces using a manufacturable process is an important challenge for material science. Significant advances have been reported; however, many surfaces suffer from fragility, nonmanufacturable fabrication techniques, and temporal instability. Such challenges have limited commercial scale application of superhydrophobic films, including their application to water desalination where long lifetimes and durability are essential. The fabrication of controllably wettable surfaces formed from laser‐induced graphene is demonstrated in atmospheric conditions with contact angle control from 59° to 176°; representing some of the most superhydrophobic carbon surfaces ever reported. This superhydrophobicity is used to engineer a membrane with the largest pores ever reported for the energy efficient water desalination technique of air‐gapped membrane distillation. State‐of‐the‐art production of distilled water is observed, and no membrane failure or loss of superhydrophobicity is observed on a time‐scale of months—suggesting total water production capabilities well beyond anything yet demonstrated.

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)0,000
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 enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
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 savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,051
Tête enseignante GPT0,294
Écart entre enseignants0,243 · 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

Citations63
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAdvanced Materials TechnologiesMême sujetSurface Modification and SuperhydrophobicityTravaux en français237 207