MétaCan
Menu
Retour à la cohorte
Enregistrement W2979257967 · doi:10.29173/aar72

Formation of Metal Oxides Based Surface Nanolenses and Their Optical Properties

2019· article· en· W2979257967 sur OpenAlexaffvenue
Laraib Syeda, Carmen Van Horn, Jiasheng Qian, Xuehua Zhang

Notice bibliographique

RevueAlberta Academic Review · 2019
Typearticle
Langueen
DomaineEnergy
ThématiqueOil, Gas, and Environmental Issues
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésOleic acidMaterials scienceChemical engineeringSolventTernary operationSurface energyMetalChemistryMetallurgyOrganic chemistryComposite material

Résumé

récupéré en direct d'OpenAlex

An emerging resource in the production of renewable energy are nanolenses, due to their unique optical properties. Their ability to refract light makes it possible for them to focus light and convert it into other forms of energy; which reduces the need for burning fossil fuels.
 
 nanolens, nanodroplets, optical properties, fluid cell, surface nanolens
 The formation of nanolenses occurs due to the process of solvent exchange. In this process, different concentrations of a ternary mixture comprising of oleic acid, water, and ethanol are used to create an ideal formation of nanodroplets. A mixture of iron (IV) chloride and manganese chloride is then washed over the droplets to create the droplet’s shell. The droplets are then annealed at 300°C in order to remove all excess liquid, leaving behind the hollow nanolenses. This process was carried out on two different substrates, silicon wafer and glass with similar results transpiring on both.
 After various trials, it can be concluded that the ideal concentration ratio of oleic acid/water/ethanol is 4.25/30/70, as the lenses are homogeneous in size, volume, and distribution. Allowing them to remain intact through the annealing process. These findings can be applied to further studies in the use of nanolenses concerning light refraction, and the consequential production of renewable energy.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,269
Score d'incertitude au seuil0,433

Scores Codex et Gemma par catégorie

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 Opus0,024
Tête enseignante GPT0,236
Écart entre enseignants0,212 · 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 tête enseignante, 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

Citations0
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAlberta Academic ReviewMême sujetOil, Gas, and Environmental IssuesTravaux en français237 207