Green Approach Using RuO<sub>2</sub>/GO Nanocomposite for Low Cost and Highly Sensitive pH Sensing
Notice bibliographique
Résumé
Rapid and inexpensive monitoring the real-time status of food products using pH sensors is critical for food quality and safety to determine if pathogens are present and growing. A promising material for pH sensors is ruthenium dioxide (RuO2) due to its chemical stability and excellent performance including: high sensitivity, low drift and hysteresis, and good selectivity. Furthermore, graphene oxide (GO) provides an electrode with large surface area, and good electrical properties. In this work, the in situ sol-gel deposition of RuO2 nanoparticles on the surface of GO as a facile, cost-effective, and environmentally friendly approach is used for the fabrication of a flexible pH sensor. The as-synthesized GO-RuO2 nanocomposites with a low volume were applied on the surface of screen printed carbon paste. The obtained GO-RuO2 nanocomposite pH sensor achieved high pH sensitivity (55.3 mV pH−1) in the pH range of 4–10, up to 4 times higher than the unmodified carbon electrode. The increased sensitivity of the modified electrode could be attributed to the uniform anchoring of small, crystallized RuO2 nanoparticles on the surface of GO sheets, resulting in synergistic effects between them. It also shows low drift (0.36 mV h−1) and low hysteretic width (0.8 mV). Considering the novel method of deposition and also sensing material with the cost-effective green synthesis approach, as well as excellent pH sensing properties, GO-RuO2 can be considered as a promising material for production of high-performance electrochemical pH sensors for food quality monitoring.
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) | 0,001 | 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 | 0,001 | 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 ».