MétaCan
Menu
Retour à la cohorte
Enregistrement W3134125081 · doi:10.1021/acs.energyfuels.0c03917

A Simple Model for Gas-Phase Synthesis of Nickel Nanoparticles

2021· article· en· W3134125081 sur OpenAlexafffund
M. Reza Kholghy, Alexander Schumann

Notice bibliographique

RevueEnergy & Fuels · 2021
Typearticle
Langueen
DomaineEarth and Planetary Sciences
Thématiquenanoparticles nucleation surface interactions
Établissements canadiensCarleton University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaSchweizerischer Nationalfonds zur Förderung der Wissenschaftlichen Forschung
Mots-clésSinteringMaterials scienceAgglomerateNucleationNanoparticleThermal decompositionSurface diffusionChemical engineeringNickelDispersityPhase (matter)Particle (ecology)Grain boundary diffusion coefficientDiffusionMetallurgyComposite materialMicrostructureGrain boundaryNanotechnologyThermodynamicsChemistryPhysical chemistryAdsorptionOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Gas-phase synthesis of nickel (Ni) nanoparticles by thermal decomposition of nickel tetracarbonyl, Ni(CO)4, is simulated accounting for nucleation, surface growth, coagulation, and sintering. By detailed analysis of phenomenological expressions for sintering, it is shown that surface diffusion (SD) is the dominant sintering mechanism for Ni nanoparticles at low temperatures (T < 700 K) and early stages of sintering, but grain boundary diffusion (GBD) dominates as sintering progresses and at higher temperatures. This is consistent with molecular dynamics simulations of noble metal nanoparticle sintering. Using the average of the above SD and GBD characteristic sintering times for Ni as well as a monodisperse population balance model (MPBM) that accounts for agglomerate morphology, polydispersity, and evolving structure with scaling laws from mesoscale simulations, Ni agglomerate sintering is benchmarked with measurements of agglomerate mobility and primary particle diameters. The MPBM predictions are in good agreement with the measured concentration and sizes of Ni nanoparticles by thermal decomposition of Ni(CO)4 in a hot wall flow reactor.

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 candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,134
Score d'incertitude au seuil0,999

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)0,0010,000

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 Opus0,028
Tête enseignante GPT0,267
Écart entre enseignants0,239 · 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

Citations6
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEnergy & FuelsMême sujetnanoparticles nucleation surface interactionsTravaux en français237 207