MétaCan
Menu
Retour à la cohorte
Enregistrement W3008356783 · doi:10.1002/advs.201903390

Rapid and Selective NH<sub>3</sub> Sensing by Porous CuBr

2020· article· en· W3008356783 sur OpenAlexaff
Andreas T. Güntner, Markus Wied, Nicolay J. Pineau, Sotiris E. Pratsinis

Notice bibliographique

RevueAdvanced Science · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueGas Sensing Nanomaterials and Sensors
Établissements canadiensInstitute of Particle Physics
Organismes subventionnairesEidgenössische Technische Hochschule ZürichSchweizerischer Nationalfonds zur Förderung der Wissenschaftlichen ForschungNational Science Foundation
Mots-clésMaterials scienceRelative humidityAcetoneMethanolPorosityNanotechnologyAcetic acidSelectivityChemical engineeringChemistryOrganic chemistryComposite materialCatalysis

Résumé

récupéré en direct d'OpenAlex

Abstract Fast and selective detection of NH 3 at parts‐per‐billion (ppb) concentrations with inexpensive and low‐power sensors represents a long‐standing challenge. Here, a room temperature, solid‐state sensor is presented consisting of nanostructured porous (78%) CuBr films. These are prepared by flame‐aerosol deposition of CuO onto sensor substrates followed by dry reduction and bromination. Each step is monitored in situ through the film resistance affording excellent process control. Such porous CuBr films feature an order of magnitude higher NH 3 sensitivity and five times faster response times than conventional denser CuBr films. That way, rapid (within 2.2 min) sensing of even the lowest (e.g., 5 ppb) NH 3 concentrations at 90% relative humidity is attained with outstanding selectivity (30–260) over typical confounders including ethanol, acetone, H 2 , CH 4 , isoprene, acetic acid, formaldehyde, methanol, and CO, superior to state‐of‐the‐art sensors. This sensor is ideal for hand‐held and battery‐driven devices or integration into wearable electronics as it does not require heating. From a broader perspective, the process opens exciting new avenues to also explore other bromides and classes of semiconductors (e.g., sulfides, nitrides, carbides) currently not accessible by flame‐aerosol technology.

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 enseignants0,001
Score d'incertitude au seuil0,002

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 Opus0,007
Tête enseignante GPT0,186
Écart entre enseignants0,180 · 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

Citations70
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvanced ScienceMême sujetGas Sensing Nanomaterials and SensorsTravaux en français237 207