MétaCan
Menu
← Retour à la cohorte
Enregistrement W4309813170 · doi:10.1149/ma2022-028642mtgabs

(Digital Presentation) Synthesis of Fluorescent Carbon Nanoparticles By Dispersion Polymerization of Acetylene

2022· article· en· W4309813170 sur OpenAlexaff
Vijay Kumar Jayswal, Anna M. Ritcey, Jean‐François Morin

Notice bibliographique

RevueECS Meeting Abstracts · 2022
Typearticle
Langueen
DomaineMaterials Science
ThématiqueCarbon Nanotubes in Composites
Établissements canadiensUniversité Laval
Organismes subventionnairesnon disponible
Mots-clésMaterials scienceDispersityNanoparticlePolymerizationNanotechnologyNanomaterialsParticle sizeCarbon fibersChemical engineeringDispersion (optics)Polymer chemistryPolymerComposite materialComposite numberOptics

Résumé

récupéré en direct d'OpenAlex

Carbon nanoparticles (CNPs) have emerged as one of the most promising nanomaterials due to their distinct optoelectronic properties for a diverse range of applications in the area of electronics, energy conversion/ storage, and bio-imaging. The uniqueness in terms of functions and properties of the CNPs gets more interesting as it changes distinctly with a change in the shape, size, and dimensionality of these nanoparticles. The synthetic methods reported until now involves high-temperature (>100 °C) processes, which often results in uncontrolled shape, size, and polydispersity. In this work, we focus on the development of a low-temperature synthetic method for the preparation of fluorescent carbon nanoparticles allowing precise control over the shape, size, and properties by dispersion polymerization of acetylene as a precursor. The shape- and size-tunable nanoparticles were synthesized in a single step with dispersion polymerization by Glaser-Hay coupling. The shape and size of the resulting carbon nanoparticles are controlled by changing different reaction parameters such as temperature, reaction time and pressure. The control over the different reaction parameters allows us to obtain monodisperse CNPs in spherical (and tubular) shape with a size in the range of 25 nm to 250 nm. The use of low-temperature methods (RT < T < 70 °C) also allows us to overcome the limitations associated with current methods. After isolation, CNPs were characterized by microscopy techniques to analyze their shape and size. The nanoparticles were further characterized to by various techniques for chemical composition, structure, morphology, and optical properties. The residual alkynes in the CNPs' structure were exploited for further post-functionalization/graphitization to yield multifunctional CNPs, which were fluorescent in the blue region.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,158
Score d'incertitude au seuil0,529

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,1580,044

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,220
Écart entre enseignants0,213 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueECS Meeting Abstracts→Même sujetCarbon Nanotubes in Composites→Travaux en français237 207→