Cryo-Scanning Electron Microscopy Analysis for the Structural Evolution of Cellulose Nanocrystals based Hydrogels
Notice bibliographique
Résumé
Cellulose nanocrystals (CNCs) are highly crystalline spindle-shaped particles that have received much attention due to their remarkable properties such as ease of surface functionalization, mechanical properties, bio-sustainability, bio-renewability, relatively lower production cost, and low cytotoxicity [1–2]. Therefore, many studies have been conducted to use these attractive nanomaterials in the matrix of polymer gels (i.e. hydrogel) for improving the gel properties [3–4]. However, the influence of CNCs on hydrogel structure is not yet fully understood since there are two major challenges when examining the structure of CNC-based hydrogels using electron microscopy (EM) technique. First, high water content materials such as hydrogels should be characterized at high vacuum operating conditions but this approach causes the liquid to evaporate, altering the original hydrogel structures during imaging. Due to this phenomenon, freeze dried methods combined with thin-metal coating have been used widely for hydrogel structure analysis using scanning electron microscopy (SEM). The second challenge is that both of the CNCs and the hydrogel have similar electron densities, and therefore poor contrast between the CNCs, polymer network and water prevents the resolution of the individual components. As result, standard EM technique cannot be applied to the hydrogel composite materials [5–6]. Therefore, in order to observe the changes of hydrogel structure with the distribution of CNCs directly without any pretreatment of samples, it is critical to develop the cryo-SEM characterization technique with new sample preparation methods.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».