Nanomechanical Gas Sensing with Laser Treated 2D Nanomaterials
Notice bibliographique
Résumé
Abstract 2D nanomaterials such as graphene oxide (GO), molybdenum disulfide (MoS2), and tungsten disulfide (WS2) 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. MoS2 and WS2 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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».