Improving the Surface-Enhanced Raman Scattering Performance of Silver Nanodendritic Substrates with Sprayed-On Graphene-Based Coatings
Notice bibliographique
Résumé
This study examines the improvements in surface-enhanced Raman scattering (SERS) performance achieved when silver nanodendritic structures are coated with various graphene-based materials, namely graphene oxide (GO), reduced graphene oxide (rGO), and graphene nanoplatelets (GNPs). The tests are performed on our unique SERS-active substrates, prepared on the surface of planar microelectrode chips using an electric field-guided Ag nanoparticle assembly process. The graphene-based materials are introduced into the substrate by means of an in-house spray-coating technique. The SERS enhancement effect of each coating is examined as a function of spray nozzle passes (N) and optimal values are identified for each coating type. The enhancements found for GO, rGO, and GNP (6⁻9 graphene layers thick) coatings are 2.3 (N = 25), 2.5 (N = 5), and 1.6 (N = 1), respectively. Additionally, in comparison with their uncoated counterparts, substrates coated with rGO (N = 5) are shown to enhance the intensity of the methamphetamine (5 ppb) spectrum in artificial saliva by approximately 3-fold. Overall, it can be concluded that the introduction of GO or rGO to the SERS substrate using spray-coating, a simple and also scalable method, can produce substantial SERS performance enhancement.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».