Selective Process To Extract High-Quality Reduced Graphene Oxide Leaflets
Notice bibliographique
Résumé
One popular approach to prepare graphene on a large scale consists of converting graphene oxide (GO) into reduced graphene oxide (RGO). However, this procedure yields graphene flakes with various amounts of oxygenated defects. Using a double liquid phase extraction technique (DLPE) assisted by cholesterol-based polymers, we demonstrate that the RGO flakes of the highest quality, i.e., those with the highest π-conjugated network and with the lowest number of oxygenated defects, can be selectively extracted in isooctane, while lower quality flakes remain in water. Thus, it is possible to collect single-layer graphene sheets of high quality, as characterized by Raman spectroscopy (ID/IG below 0.2) starting from a RGO containing a heterogeneous mixture of leaflets (ID/IG ∼ 1.3). The high quality of the RGO leaflets extracted by DLPE was also confirmed by X-ray photoelectron spectroscopy, photoluminescence, Fourier transform infrared spectroscopy, X-ray diffraction, and atomic force microscopy. The conductivity of the films prepared with DLPE RGO flakes is an order of magnitude higher than the one of the films prepared with as-prepared RGO. The thermal stability of the extracted leaflets, as measured by thermal gravimetric analysis, is also greatly enhanced. Thus, sorting RGO by DLPE is a valuable process for the large-scale production of high-quality graphene.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».