MétaCan
Menu
Retour à la cohorte
Enregistrement W2947574370 · doi:10.5539/mas.v13n6p99

Preparation, Characterization, and Application of Nickel Oxide Nanoparticles in Glucose and Lactose Biosensors

2019· article· en· W2947574370 sur OpenAlexvenueno aff
A. M. Abdallah, H. Basma, R. Awad

Notice bibliographique

RevueModern Applied Science · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueElectrochemical sensors and biosensors
Établissements canadiensnon disponible
Organismes subventionnairesBeirut Arab University
Mots-clésNon-blocking I/OMaterials scienceNickel oxideNanoparticleCrystalliteFourier transform infrared spectroscopyAnalytical Chemistry (journal)Transmission electron microscopySpectroscopyChemical engineeringBiosensorNickelNanotechnologyChemistryChromatographyMetallurgyOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Nickel oxide (NiO) nanoparticles were synthesized using the co-precipitation method. The structural, morphological, optical and magnetic properties of NiO nanoparticles were investigated by X-ray Powder Diffraction (XRD), Transmission Electron Microscopy (TEM), Fourier Transform Infrared Spectroscopy (FTIR), UV-vis Spectroscopy and Vibrating Sample Magnetometer (VSM). The influence of sonication time on the physical characteristics of NiO nanoparticles was illustrated. The interactions of NiO nanoparticles with both glucose and lactose have been0 studied using UV-vis Absorption Spectroscopy and Fluorescence Spectroscopy. XRD pattern reveals that NiO nanoparticles exhibit a face-centered-cubic lattice structure with a crystallite size of 22.77 nm. The magnetic hysteresis demonstrates the ferromagnetic behavior of NiO nanoparticles at room temperature. The energy band gap increases, from 2.8 eV to 3.1 eV, with increasing sonication time from 5 to 20 minutes. It is found that the interaction of lactose-NiO nanoparticles is stronger than that of glucose-NiO ones. The obtained results can be investigated in future biomedical applications, especially in non-enzymatic biosensors.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,003
Tête enseignante GPT0,200
Écart entre enseignants0,197 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations28
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueModern Applied ScienceMême sujetElectrochemical sensors and biosensorsTravaux en français237 207