MétaCan
Menu
Retour à la cohorte
Enregistrement W4213229857 · doi:10.1149/1945-7111/ac5657

Standoff and Point Detection of Thin Polymer Layers Using Microcantilever Photothermal Spectroscopy

2022· article· en· W4213229857 sur OpenAlexaff
Yaoli Zhao, Patatri Chakraborty, Nicholas Stavinski, Luis Velarde, Vaishali Maheshkar, Karthik Dantu, A. Srikantha Phani, Seonghwan Kim, Thomas Thundat

Notice bibliographique

RevueJournal of The Electrochemical Society · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Chemical Sensor Technologies
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésCantileverSpectroscopyMaterials sciencePhotothermal spectroscopyPhotothermal therapyPolymerAnalytical Chemistry (journal)Fourier transform infrared spectroscopyOptoelectronicsOpticsNanotechnologyChemistryComposite materialPhysicsChromatography

Résumé

récupéré en direct d'OpenAlex

Standoff detection based on optical spectroscopy is an attractive method for identifying materials at a distance with very high molecular selectivity. Standoff spectroscopy can be exploited in demanding practical applications such as sorting plastics for recycling. Here, we demonstrate selective and sensitive standoff detection of polymer films using bi-material cantilever-based photothermal spectroscopy. We demonstrate that the selectivity of the technique is sufficient to discriminate various polymers. We also demonstrate in situ, point detection of thin layers of polymers deposited on bi-material cantilevers using photothermal spectroscopy. Comparison of the standoff spectra with those obtained by point detection, FTIR, and FTIR-ATR show relative broadening of peaks. Exposure of polymers to UV radiation (365 nm) reveal that the spectral peaks do not change with exposure time, but results in peak broadening with an overall increase in the background cantilever response. The sensitivity of the technique can be further improved by optimizing the thermal sensitivity of the bi-material cantilever and by increasing the number of photons impinging on the cantilever.

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 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 enseignants0,005
Score d'incertitude au seuil0,361

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 recherche0,0000,001
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 Opus0,005
Tête enseignante GPT0,201
Écart entre enseignants0,196 · 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

Citations6
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of The Electrochemical SocietyMême sujetAdvanced Chemical Sensor TechnologiesTravaux en français237 207