Metallothermic Reduction of Silica Nanoparticles to Porous Silicon for Drug Delivery Using New and Existing Reductants
Notice bibliographique
Résumé
In this study, the influence of metals (Mg, Al, and Ca) and reaction conditions (time, temperature, and metal grain size) on the metallothermic reduction of Stöber silica nanoparticles (NPs) to form porous Si has been explored. Mg metal was found to be an effective reducing agent even at temperatures below its melting point; however, it also induced a high degree of structural damage and morphology change. Al was effective in reducing silica NPs only at its melting point or above, but the resulting particles retained a higher degree of structural morphology as compared to those reduced using Mg. Ca was found to be ineffective in reducing silica. A new reductant, a mixture of 70 % Mg and 30 % Al, was found to induce the least amount of morphology change, and the reactions proceeded at a temperature (450 °C) lower than those required with Mg or Al individually. Furthermore, porous Si NPs obtained using Mg, Al, and the mixture of 70 % Mg and 30 % Al as reductants have been investigated as carriers for ibuprofen loading and release. Porous Si obtained from reductions with Mg and the Mg/Al mixture showed higher drug loading and a sustained drug release profile, whereas porous Si obtained from Al reduction had lower loading and showed a conventional release profile over 24 h.
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 | 0,001 | 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 ».