MétaCan
Menu
Retour à la cohorte
Enregistrement W3039510723 · doi:10.1017/s1431927600036217

The Characterization of Nano Materials in the FE-SEM

2000· article· en· W3039510723 sur OpenAlexaff
Raynald Gauvin, Paula Horny

Notice bibliographique

RevueMicroscopy and Microanalysis · 2000
Typearticle
Langueen
DomaineMaterials Science
ThématiqueElectron and X-Ray Spectroscopy Techniques
Établissements canadiensUniversité de Sherbrooke
Organismes subventionnairesnon disponible
Mots-clésScanning electron microscopeScanning transmission electron microscopyMaterials scienceDetectorResolution (logic)Secondary electronsOpticsConventional transmission electron microscopeCharacterization (materials science)Nano-Field emission microscopyField electron emissionElectronLens (geology)Field emission gunTransmission electron microscopyHigh-resolution transmission electron microscopyEnvironmental scanning electron microscopeBrightnessMicroscopeNanotechnologyPhysicsDiffractionComputer scienceComposite materialNuclear physics

Résumé

récupéré en direct d'OpenAlex

Abstract The observation of nano materials or nano phases is generally performed using Transmission Electron Microscopy (TEM) because conventional Scanning Electron Microscopes (SEM) do not have the resolution to image such small phases. Since the last decade, a new generation of microscopes is available on the market. These are the Field Emission Scanning Electron Microscope (FE-SEM) with a virtual secondary electron detector. The FE-SEM have a higher brightness allowing probe diameter smaller than 2.5 nm with incident electron energy, E0, below 5 keV. Furthermore, what gives FE-SEM outstanding resolution is the virtual secondary electron (SE) detector. The virtual SE detector is located above the objective lens and it is also named a through-the-lens (TTL) detector. Therefore, the SE images are mostly made up of all SE of type I and II, because those of type III, which are generated by the backscattered electrons in the chamber, are not collected.

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)0,001
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 seuil0,680

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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)0,0010,000

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 Opus0,006
Tête enseignante GPT0,255
Écart entre enseignants0,249 · 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
Publié2000
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMicroscopy and MicroanalysisMême sujetElectron and X-Ray Spectroscopy TechniquesTravaux en français237 207