Inkjet-printed paper-based surface enhanced Raman scattering (SERS) sensors for the detection of narcotics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Recent advances in inkjet-printing of advanced materials have provided a versatile platform for the rapid development and prototyping of sensor devices. We have recently demonstrated inkjet-printed surface enhanced Raman scattering (SERS) sensors on flexible substrates for the detection of variety of small molecules [Tay et al. in Front Chem 9:680556 (2021); Tay et al. in J Raman Spectrosc 52:563 (2020)]. These flexible SERS sensors have many advantages for performing point-of-sampling testing, among them liquid or aerosol filtration and swabbing capabilities. These simple sampling and separation features make these inkjet-printed paper-based sensors ideal for field applications. SERS detection of molecules with poor binding affinity towards the plasmonic surfaces of the sensors tends to be inefficient. A surface functionalization approach has been applied to SERS sensors to improve the molecule affinity and hence their detection sensitivity. In this paper, we investigate the optimization of SERS sensor fabrication to achieve optimal performance. Three performance criteria: diffuse reflectance, SERS background intensity from the as-printed blank sensors and SERS performance of sensors exposed to the benzenethiol reporter molecule, are characterized carefully to derive the optimal inkjet-printing conditions for producing the best performing SERS sensors. Additionally, we demonstrate the use of a simple potassium iodide functionalization scheme to improve the detection sensitivity for narcotics such as fentanyl by two orders of magnitude. Graphical abstract
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.
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) | 0,000 | 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 découle