Engineering the defect distribution in ZnO nanorods through laser irradiation
Notice bibliographique
Résumé
In recent years, defect engineering has shown great potential to improve the properties of metal oxide nanomaterials for various applications thus received extensive investigations. While traditional techniques mostly focus on controlling the defects during the synthesis of the material, laser irradiation has emerged as a promising post-deposition technique to further modulate the properties of defects yet there is still limited information. In this article, defects such as oxygen vacancies are tailored in ZnO nanorods through nanosecond (ns) laser irradiation. The relation between laser parameters and the temperature rise in the ZnO due to laser heating was established based on the observation in the SEM and the simulation. Raman spectra indicated that the concentration of the oxygen vacancies in the ZnO is temperature-dependent and can be controlled by changing the laser fluence and exposure time. This is also supported by the absorption spectra and the photoluminescence spectra of ZnO NRs irradiated under these conditions. On the other hand, the distribution of the oxygen vacancies was studied by XPS depth profiling, and it was confirmed that the surface-to-bulk ratio of the oxygen vacancies can be modulated by varying the laser fluence and exposure time. Based on these results, four distinctive regimes containing different ratios of surface-to-bulk oxygen vacancies have been identified. Laser-processed ZnO nanorods were also used as the catalyst for the photocatalytic degradation of rhodamine B (RhB) dye to demonstrate the efficacy of this laser engineering technique.
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 | 0,001 |
| 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 | 0,001 |
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 ».