MétaCan
Menu
Retour à la cohorte
Enregistrement W3089492206 · doi:10.1039/d0nr06577c

On a local (de-)trapping model for highly doped Pr<sup>3+</sup> radioluminescent and persistent luminescent nanoparticles

2020· article· en· W3089492206 sur OpenAlexafffund
Gabrielle A. Mandl, David Van der Heggen, Daniel R. Cooper, Jonas Joos, Jan Seuntjens, Philippe F. Smet, John A. Capobianco

Notice bibliographique

RevueNanoscale · 2020
Typearticle
Langueen
DomaineMaterials Science
ThématiqueLuminescence Properties of Advanced Materials
Établissements canadiensMcGill UniversityConcordia University
Organismes subventionnairesBijzonder Onderzoeksfonds UGentNatural Sciences and Engineering Research Council of CanadaUniversiteit GentConcordia University
Mots-clésLuminescenceTrappingPersistent luminescenceNanoparticleMaterials scienceDopingIrradiationAnalytical Chemistry (journal)RadiochemistryAtomic physicsPhysical chemistryNanotechnologyThermoluminescenceChemistryPhysicsOptoelectronicsNuclear physics

Résumé

récupéré en direct d'OpenAlex

Trivalent praseodymium exhibits a wide range of luminescent phenomena when doped into a variety of different materials. Herein, radioluminescent NaLuF4:20%Pr3+ nanoparticles are studied. Four different samples of this composition were prepared ranging from 400-70 nm in size. Kinetic studies of radioluminescence as a function of X-ray irradiation time revealed a decrease in the emissions originating from the 1S0 level, due to the formation or optical activation of defects during excitation, and a simultaneous increase in the visible emissions resulting from the lower optical levels. Thermoluminescence measurements elucidated that a local de-trapping mechanism was responsible for the increase in steady state emission and persistent luminescence originating from the lower optical levels. The results and mechanism described through this study serve to provide a novel nanoparticle composition with versatile luminescent properties and provides experimental evidence in favor of a local trapping model.

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 candidatesMéta-épidémiologie (sens strict)
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 enseignants0,205
Score d'incertitude au seuil1,000

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 Opus0,029
Tête enseignante GPT0,239
Écart entre enseignants0,211 · 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.

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

Citations18
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNanoscaleMême sujetLuminescence Properties of Advanced MaterialsTravaux en français237 207