Surface chemistry of metal oxide nanoparticles: NMR and TGA quantification
Notice bibliographique
Résumé
Surface functionalization is widely used to control the behavior of nanomaterials for a range of applications. However, methods to accurately quantify surface functional groups and coatings are not yet routinely applied to nanomaterial characterization. We have employed a combination of quantitative NMR (qNMR) and thermogravimetric analysis (TGA) to address this problem for commercial cerium, nickel, and iron oxide nanoparticles (NPs) that have been modified to add functional coatings with (3-aminopropyl)triethoxysilane (APTES), stearic acid, and polyvinylpyrrolidone (PVP). The qNMR method involves quantification of material that is released from the NPs and quantified in the supernatant after removal of NPs. Removal of aminopropylsilanes was accomplished by basic hydrolysis whereas PVP and stearic acid were removed by ligand exchange using sodium hexametaphosphate and pentadecafluorooctanoic acid, respectively. The method accuracy was confirmed by analysis of NPs with a known content of surface groups. Complementary TGA studies were carried out in both air and argon atmosphere with FT-IR of evolved gases in argon to confirm the identity of the functional groups. TGA measurements for some unfunctionalized samples show mass loss due to unidentified components which makes quantification of functional groups in surface-modified samples less reliable. XPS provides information on the presence of surface contaminants and the level of surface hydroxylation for selected samples. Despite the issues associated with accurate quantification using TGA, the TGA estimates agree reasonably well with the qNMR data for samples with high surface loading. This study highlights the issues in analysis of commercial nanomaterials and is an advance towards the development of generally applicable methods for quantifying surface functional groups.
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 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) | 0,000 | 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) | 0,002 | 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 tête enseignante, 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 ».