Nanofabrication by thermal plasma jets: From nanoparticles to low-dimensional nanomaterials
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Current fabrication of nanomaterials is facing the following two challenges: high selectivity toward specific chemical compositions or morphologies and their scalable production. This usually requires new extreme fabrication conditions beyond the conventional approaches. Thermal plasma jets are flows of partially ionized gases where gas and electron temperatures reach their equilibrium state around 10 000 K, and thus provide high fluxes of energy and chemically active species including electrons and ions with their strong spatial gradients. Such extreme environments can trigger reactions that are not thermodynamically favorable or require high activation barriers, leading to the production of materials with exotic chemical compositions or structures. Since their first operation in 1960, thermal plasma jets were soon recognized as a unique and effective medium for material transformation such as melting, vaporization, and pyrolysis and recently have also found their important applications in nanomaterial fabrication. In this Perspective, we briefly review the latest progress in the thermal plasma jet-assisted fabrication of nanomaterials from nanoparticles to low-dimensional nanostructures. A special focus is made on the advantages of the thermal plasma jet technology in nanostructure fabrication, discussing plasma properties responsible for the nanomaterial growth with high throughput, high purity, anisotropy, desired compositions, or narrow size distributions. This Perspective closes with an outlook of challenges and opportunities for further advancement in this emerging field.
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.
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 | 0,000 | 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 | 0,001 |
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 découle