MétaCan
Menu
Retour à la cohorte
Enregistrement W3037046545 · doi:10.3390/nano10071255

Room-Temperature Reduction of Graphene Oxide in Water by Metal Chloride Hydrates: A Cleaner Approach for the Preparation of Graphene@Metal Hybrids

2020· article· en· W3037046545 sur OpenAlexafffund
Patrick Brisebois, Ricardo Izquierdo, Mohamed Siaj

Notice bibliographique

RevueNanomaterials · 2020
Typearticle
Langueen
DomaineMaterials Science
ThématiqueGraphene research and applications
Établissements canadiensÉcole de Technologie SupérieureUniversité du Québec à Montréal
Organismes subventionnairesFonds de recherche du Québec – Nature et technologiesNatural Sciences and Engineering Research Council of CanadaCanada Research ChairsCentre québécois sur les matériaux fonctionnels
Mots-clésGrapheneOxideMaterials scienceMetalNanotechnologyGraphene oxide paperMetal ions in aqueous solutionInorganic chemistryChemical engineeringMetallurgyChemistry

Résumé

récupéré en direct d'OpenAlex

Headed for developing minimalistic strategies to produce graphene@metal hybrids for electronics on a larger scale, we discovered that graphene oxide (GO)-metal oxide (MO) hybrids are formed spontaneously in water at room temperature in the presence of nothing else than graphene oxide itself and metal ions. Our observations show metal oxide nanoparticles decorating the surface of graphene oxide with particle diameter in the range of 10-40 nm after only 1 h of mixing. Their load ranged from 0.2% to 6.3% depending on the nature of the selected metal. To show the generality of the reactivity of GO with different ions in standard conditions, we prepared common hybrids with GO and tin, iron, zinc, aluminum and magnesium. By means of carbon-13 solid-state nuclear magnetic resonance using magic angle spinning, we have found that graphene oxide is also moderately reduced at the same time. Our method is powerful and unique because it avoids the use of chemicals and heat to promote the coprecipitation and the reduction of GO. This advantage allows synthesizing GO@MO hybrids with higher structural integrity and purity with a tunable level of oxidization, in a faster and greener way.

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 seuil0,003

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 recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,021
Tête enseignante GPT0,275
Écart entre enseignants0,254 · 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

Citations8
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNanomaterialsMême sujetGraphene research and applicationsTravaux en français237 207