Silver Nanoparticle-Embedded Conductive Hydrogels for Electrochemical Sensing of Hydroquinone
Notice bibliographique
Résumé
In this work, a conductive hydrogel was successfully synthesized, taking advantage of the high number density of active amino and hydroxyl groups in carboxymethyl chitosan and sodium carboxymethyl cellulose. These biopolymers were effectively coupled via hydrogen bonding with the nitrogen atoms of the heterocyclic rings of conductive polypyrrole. The inclusion of another biobased polymer, sodium lignosulfonate (LS), was effective to achieve highly efficient adsorption and in-situ reduction of silver ions, leading to silver nanoparticles that were embedded in the hydrogel network and used to further improve the electro-catalytic efficiency of the system. Doping of the system in the pre-gelled state led to hydrogels that could be easily attached to the electrodes. The as-prepared silver nanoparticle-embedded conductive hydrogel electrode exhibited excellent electro-catalytic activity towards hydroquinone (HQ) present in a buffer solution. At the optimum conditions, the oxidation current density peak of HQ was linear over the 0.1-100 μM concentration range, with a detection limit as low as 0.12 μM (signal-to-noise of 3). The relative standard deviation of the anodic peak current intensity was 1.37% for eight different electrodes. After one week of storage in a 0.1 M Tris-HCl buffer solution at 4 °C, the anodic peak current intensity was 93.4% of the initial current intensity. In addition, this sensor showed no interference activity, while the addition of 30 μM CC, RS, or 1 mM of different inorganic ions does not have a significant impact on the test results, enabling HQ quantification in actual water samples.
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 | 0,000 |
| 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 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 ».