Experimental methods in chemical engineering: Atomic force microscopy − AFM
Notice bibliographique
Résumé
Abstract Atomic force microscopy (AFM), part of the scanning probe microscopy family, exploits the local interaction forces between the sharp tip of a scanning mechanical probe and a material sample to profile its surface topography or map mechanical and tribological properties over nanometre to micron length scales. AFM images the topography at a sub‐angstrom resolution in height and sub‐nanometre to nanometre lateral resolution for diverse materials spanning extremely soft biological samples to hard metals in air, fluid, or vacuum. The accuracy of dimensional metrology measurements depends on the probe tip radius and geometry, calibration of the piezoelectric scanner movement, and applied force. A number of experimental aspects must be considered to ensure imaging reproducibility and maximize imaging resolution. These considerations include sample preparation, imaging environment, choice of AFM mode and probe, and imaging parameters. AFM offers specialized modes to characterize materials properties such as surface potential, electrochemical reactivity, and electrical and magnetic properties. Recent advances combine AFM and infrared spectroscopy to simultaneously map the surface topography and distribution of chemical species. High‐speed or fast‐scanning AFM captures dynamic structural changes and (bio)molecular processes occurring on the millisecond time scale. Every year, Web of Science indexes over 3200 articles that appear when adding AFM and microscopy in the search field topic. A bibliometric analysis grouped AFM research into five clusters: (1) mechanical properties, membranes, and adhesion, (2) morphology, microstructure, and roughness, (3) spectroscopy, nanocomposite, and oxide, (4) adsorption and steel, and (5) polymer and wettability.
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 | 0,001 |
| 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 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 ».