Near field electrospinning of nanowires for multi-modal hydrogen sensing
Notice bibliographique
Résumé
Hydrogen gas is a common byproduct in industrial and chemical processes. It is also frequently used in transportation applications such as fuel cell vehicles. It has no smell and no taste, but it may pose immediate safety risks because it is combustible in air. Multi-modal hydrogen sensors are developed by depositing nanofibers on quartz tuning forks (QTF). Near field electrospinning (NFES) was used to produce flexible, semi-conductive nanofibers that can be integrated into electronic systems as environmental gas sensors. The electrospinning parameters, especially tip-to-collector distance, were optimized to increase sensor performance. Treated multi-walled carbon nanotubes, camphorsulfonic acid doped polyaniline and platinum nanoparticles were used as the sensing materials with polyethylene oxide being used as an electrospinning guide. Intense pulsed light and sputter coating were used to maximize adhesion of the fibers onto the devices. The QTF sensor combines mechanical and electrochemical sensing methodologies. Changes in the resonance frequency were used to determine gas adsorption. Changes in the electrical resistance were used to determine the gas properties. As a result, the sensors were selective to hydrogen versus other gases and vapors including methane, hexane, toluene, ammonia, ethanol and carbon dioxide. Furthermore, the sensors can detect ppm levels of hydrogen even in the presence of high humidity.
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) | 0,000 | 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) | 0,001 | 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 ».