MétaCan
Menu
Retour à la cohorte
Enregistrement W2999226125 · doi:10.1063/1.5134039

Synthesis of electrospun nanofibrous structures with controlled optical and electrical properties

2020· article· en· W2999226125 sur OpenAlexafffund
Pradeep Kumar, Amirkianoosh Kiani

Notice bibliographique

RevueAIP Advances · 2020
Typearticle
Langueen
DomaineMaterials Science
ThématiqueGraphene research and applications
Établissements canadiensOntario Tech University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésGrapheneMaterials scienceElectrospinningRaman spectroscopyScanning electron microscopeComposite materialPolycaprolactoneFiberElectrical resistivity and conductivityOptical fiberX-ray photoelectron spectroscopyOptical microscopeNanotechnologyChemical engineeringPolymerOptics

Résumé

récupéré en direct d'OpenAlex

In this study, the optical and electrical influences of 2D graphene flakes in electrospun polycaprolactone (PCL) fibers were observed. Graphene nanoplatelets were added in different concentrations into the PCL solution, and then, using the electrospinning technique, fibers were built from that solution. Three samples were prepared with different graphene concentrations of 0% w/w, 0.5% w/w, and 2.0% w/w. From all three samples, fibers were prepared and tests were conducted for the identification of the properties of fibers. An optical spectroscopy test was performed to identify the optical behavior of the fibers. Scanning electron microscopy tests were conducted for the morphological characterization of the fibers. For the comparison of the electrical conductivity of the three samples, electrical tests were also conducted. In addition, Raman spectroscopy was conducted to characterize the graphene and PCL. This study shows that using graphene can change the properties of fibers, for example, as the graphene content increases, the fiber diameter also increases. Also, by varying the 2D graphene concentration, both electrical and optical properties can be tuned; this can be utilized in the synthesis of nanosensing surfaces and structures.

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 enseignants0,007
Score d'incertitude au seuil0,206

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 Opus0,011
Tête enseignante GPT0,237
Écart entre enseignants0,226 · 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

Citations3
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAIP AdvancesMême sujetGraphene research and applicationsTravaux en français237 207