Synthesis and Luminescent Properties of Graphene Quantum Dots (GQDs) for Fluorescence Quenching by Titanium Dioxide Nanoparticles in Water Analysis
Notice bibliographique
Résumé
Graphene quantum dots (GQDs) have many excellent properties of graphene and quantum dots such as strong fluorescence, chemical stability and facile synthesis.In this work, GQDs were prepared by pyrolysis of citric acid.Compared with the conventional pyrolysis method, optimization of the pyrolysis temperature, pyrolysis time, and dispersion pH attained 1.04 times stronger fluorescence emission intensity compared with the previous GQDs.The appearance of metal oxide nanoparticles in potable water has attracted much public attention concerning their potential adverse health risks.A simple method for quantitative analysis of titanium dioxide (TiO2) nanoparticles was developed by fluorescence quenching of GQDs in this research.Dopamine (DA) was first added to coat TiO2 nanoparticles with polydopamine (PDA) under ultrasonication, which broke up all coagulated nanoparticles and prevented any re-aggregation to merit an accurate analysis.GQDs were next added as a fluorescent sensor probe to measure the quenching of its emission intensity by the PDA-coated nanoparticles.Data analysis by the Stern-Volmer equation followed a third-order polynomial fit indicated static, dynamic and absorptive contributions to the total quenching.Detection of TiO2 nanoparticles down to 0.02 mg/mL was validated, under optimal DA and GQDs concentrations, with a linear dynamic range up to 2.0 mg/mL.
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) | 0,000 | 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) | 0,001 | 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 ».