Continuous Reactive-Roll-to-Roll Growth of Carbon Nanotubes for Fog Water Harvesting Applications
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A simple method is presented for the continuous generation of carbon nanotube forests stably anchored on stainless-steel surfaces using a reactive-roll-to-roll (RR2R) configuration. No addition of catalyst nanoparticles is required for the CNT-forest generation; the stainless-steel substrate itself is tuned to generate the catalytic growth sites. The process enables very large surfaces covered with CNT forests to have individual CNT roots anchored to the metallic ground through primary bonds. Fog water harvesting is demonstrated and tested as one potential application using long CNT-covered wires. The RR2R is performed in the gas phase; no solution processing of CNT suspensions is used, contrary to usual R2R CNT-based technologies. Full or partial CNT-forest coverage provides tuning of the ratio and shape of hydrophobic and hydrophilic zones on the surface. This enables the optimization of fog water harvesters for droplet capture through the hydrophobic CNT forest and water removal from the hydrophilic SS surface. Water recovery tests using small harp-type harvesters with CNT-forest generate water capture of up to 2.2 g/cm2·h under ultrasound-generated fog flow. The strong CNT root anchoring on the stainless-steel surfaces provides opportunities for (i) robustness and easy transport of the composite structure and (ii) chemical functionalization and/or nanoparticle decoration of the structures, and it opens the road for a series of applications on large-scale surfaces, including fog harvesting.
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.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle