Nanomechanical Gas Sensing with Laser Treated 2D Nanomaterials
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract 2D nanomaterials such as graphene oxide (GO), molybdenum disulfide (MoS 2 ), and tungsten disulfide (WS 2 ) are viable candidates for use in chemical gas sensors due to their large specific surface area available for analyte adsorption. In this work, these 2D materials are treated with a femtosecond laser process to intentionally introduce defects, dopants, and functional groups to the material for improved gas adsorption properties. The materials are coated onto a nanomechanical membrane‐type surface stress sensor (MSS) to evaluate their sensing capability toward a select group of volatile organic compounds. By utilizing the MSS platform, the approach avoids the need for 2D materials with conductive properties typically required in chemoresistive sensors. The results show that a longer laser treatment time for graphene oxide increases the sensor response, which is attributed to an increase in defects and oxygen functional groups. Doping of graphene oxide with boron nitride improves sensor response, likely due to the introduction of pyrrolic nitrogen groups with high chemical activity. Additionally, the graphene oxides demonstrate partial selectivity toward the detection of toluene, attributable to π–π interactions. MoS 2 and WS 2 nanoflakes also show enhanced sensor response attributed to the formation of apical/bridging sulfur bonds with high catalytic activity.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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