Graphene Inks Printed by Aerosol Jet for Sensing Applications: The Role of Dispersant on the Inks’ Formulation and Performance
Notice bibliographique
Résumé
This study presents graphene inks produced through the liquid-phase exfoliation of graphene flakes in water using optimized concentrations of dispersants (gelatin, triton X-100, and tween-20). The study explores and compares the effectiveness of the three different dispersants in creating stable and conductive inks. These inks can be printed onto polyethylene terephthalate (PET) substrates using an aerosol jet printer. The investigation aims to identify the most suitable dispersant to formulate a high-quality graphene ink for potential applications in printed electronics, particularly in developing chemiresistive sensors for IoT applications. Our findings indicate that triton X-100 is the most effective dispersant for formulating graphene ink (GTr), which demonstrated electrical conductivity (4.5 S·cm−1), a high nanofiller concentration of graphene flakes (12.2%) with a size smaller than 200 nm (<200 nm), a low dispersant-to-graphene ratio (5%), good quality as measured by Raman spectroscopy (ID/IG ≈ 0.27), and good wettability (θ ≈ 42°) over PET. The GTr’s ecological benefits, combined with its excellent printability and good conductivity, make it an ideal candidate for manufacturing chemiresistive sensors that can be used for Internet of Things (IoT) healthcare and environmental applications.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».