Networks of Conjugated Polymer-Wrapped Single-Walled Carbon Nanotubes through Controlled Drop-Dispensing for Thin-Film Transistors
Notice bibliographique
Résumé
Despite the simplicity of the drop-casting method to deposit films of single-walled carbon nanotubes (SWNTs) for applications such as printed electronics, this technique presents many challenges and uncertainties that are yet to be addressed. The coffee-ring effect is a known example, which results in an accumulation of solids around the edge of the drop. This can be mitigated by increasing the temperature of the substrate to induce Marangoni flows, but it is unknown what the repercussions of this change would be on dispersions of conjugated polymer-wrapped SWNTs and resulting thin-film transistor devices. In this study, we demonstrate that the drop-casting method benefits greatly from the use of an automated drop-dispenser coupled with a desktop robot, leading to more consistent and improved charge-carrier mobilities (μ) and threshold voltages. We then present the effect of drop size and substrate temperature on the surface coverage, linear density, and appearance of the resulting SWNT networks. A reduction in surface coverage and linear density was noted with increasing temperature above 50 °C, in addition to increased bundling of the SWNTs, as observed in atomic force microscopy images. Raman spectroscopy demonstrated that drops cast at higher temperatures allow for a more even distribution of the SWNTs throughout the drop due to the formation of deposits during transitions between constant contact radius and constant contact angle modes. The devices resulting from drop-casting at higher temperatures also exhibit decreased mobilities (μ) at smaller drop volumes.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».