MétaCan
Menu
Retour à la cohorte
Enregistrement W3095359810 · doi:10.1021/acsanm.0c02135

Peroxide-Induced Tuning of the Conductivity of Nanometer-Thick MoS<sub>2</sub> Films for Solid-State Sensors

2020· article· en· W3095359810 sur OpenAlexafffund
Dipankar Saha, P. Ravi Selvaganapathy, Peter Kruse

Notice bibliographique

RevueACS Applied Nano Materials · 2020
Typearticle
Langueen
DomaineMaterials Science
Thématique2D Materials and Applications
Établissements canadiensMcMaster University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanada First Research Excellence Fund
Mots-clésMolybdenum disulfideMaterials scienceRaman spectroscopyElectrical conductorNanotechnologyConductivityMolybdenumThin filmNanometreX-ray photoelectron spectroscopyChemical engineeringNanoscopic scaleComposite materialChemistryMetallurgy

Résumé

récupéré en direct d'OpenAlex

Applications of molybdenum disulfide (MoS2) in energy storage devices, solar cells, electrocatalysts, and sensors require good electrical conductivity. However, neither of the current ways to prepare conductive MoS2 (lithium intercalation and hydrothermal processes) is easily amenable to scale-up. A possible alternative pathway is the modulation of the electronic properties of the semiconducting form of MoS2 through structural defects. Here, we report the preparation of nanoscale conductive MoS2 flakes by treating exfoliated 2H-MoS2 with dilute aqueous hydrogen peroxide at room temperature. Sheet resistance measurements as well as Raman and photoelectron spectroscopy reveal the partial formation of hydrogen molybdenum bronze (HxMoO3) and substoichiometric MoO3–y, which help tune the conductivity of the nanometer-scale thin films without impacting the sulfur-to-molybdenum ratio. We have cast the material into thin film networks to fabricate highly stable chemiresistive pH sensors. Our work introduces a straightforward and safe way of preparing a conductive form of MoS2 and its application as a low-cost solid-state sensor.

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 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 enseignants0,002
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
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 Opus0,035
Tête enseignante GPT0,258
Écart entre enseignants0,223 · 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

Citations17
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueACS Applied Nano MaterialsMême sujet2D Materials and ApplicationsTravaux en français237 207