MétaCan
Menu
Retour à la cohorte
Enregistrement W3130504268 · doi:10.1038/s41598-021-84093-0

High optical enhancement in Au/Ag alloys and porous Au using Surface-Enhanced Raman spectroscopy technique

2021· article· en· W3130504268 sur OpenAlexafffund
Chawki Awada, Chahinez Dab, Maria Grazia Grimaldi, Adil Alshoaibi, F. Ruffino

Notice bibliographique

RevueScientific Reports · 2021
Typearticle
Langueen
DomaineMaterials Science
ThématiqueNanoporous metals and alloys
Établissements canadiensUniversité de Montréal
Organismes subventionnairesFonds de recherche du Québec – Nature et technologiesKing Abdulaziz City for Science and TechnologyKing Faisal UniversityUniversità di Catania
Mots-clésMaterials scienceNanoporousNanostructureRaman spectroscopySurface plasmon resonanceSubstrate (aquarium)Surface-enhanced Raman spectroscopyRaman scatteringPorosityPlasmonScanning electron microscopeAlloyNanotechnologyChemical engineeringSpectroscopyNanoparticleOptoelectronicsOpticsComposite material

Résumé

récupéré en direct d'OpenAlex

Abstract We report high optical enhancement in Ag/Au alloys and porous gold nanostructures using Surface Enhanced Raman Spectroscopy (SERS) technique. Scanning electron microscopy investigation shows the formation of Ag/Au alloys particles during irradiation of Ag–Au bilayer deposited on FTO (SnO 2 :F) substrate by laser fluency equal to 0.5 J/cm 2 or 1.0 J/cm 2 with 12 ns laser pulse duration. The dealloying process of these Au–Ag alloy particles leads to the formation of Au nanoporous particles. The obtained nanostructures were studied with SERS and revealed a promising enhancement factor in porous Au nanostructure and tunability of localized surface plasmon resonance. The highly dense strong hot spots and large specific area in porous structure of gold nanostructures is the origin of the highly enhancement factor observed experimentally and theoretically. A very good agreement between simulation and experimental results was found confirming the potential of Au/Ag alloys and particularly porous gold nanostructure in SERS application.

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)0,003
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 enseignants0,048
Score d'incertitude au seuil0,963

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
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 Opus0,014
Tête enseignante GPT0,266
Écart entre enseignants0,251 · 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

Citations34
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueScientific ReportsMême sujetNanoporous metals and alloysTravaux en français237 207