Colloidal Clusters and Networks Formed by Oppositely Charged Nanoparticles with Varying Stiffnesses
Notice bibliographique
Résumé
Colloidal clusters and gels are ubiquitous in science and technology. Particle softness has a strong effect on interparticle interactions; however, our understanding of the role of this factor in the formation of colloidal clusters and gels is only beginning to evolve. Here, we report the results of experimental and simulation studies of the impact of particle softness on the assembly of clusters and networks from mixtures of oppositely charged polymer nanoparticles (NPs). Experiments were performed below or above the polymer glass transition temperature, at which the interaction potential and adhesive forces between the NPs were significantly varied. Hard NPs assembled in fractal clusters that subsequently organized in a kinetically arrested colloidal gel, while soft NPs formed dense precipitating aggregates, due to the NP deformation and the decreased interparticle distance. Importantly, interactions of hard and soft NPs led to the formation of discrete precipitating NP aggregates at a relatively low volume fraction of soft NPs. A phenomenological model was developed for interactions of oppositely charged NPs with varying softnesses. The experimental results were in agreement with molecular dynamics simulations based on the model. This work provides insight on interparticle interactions before, during, and after the formation of hard-hard, hard-soft, and soft-soft contacts and has impact for numerous applications of reversible colloidal gels, including their use as inks for additive manufacturing.
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 ».