Gold-Deposited Graphene Nanosheets for Self-Cleaning Graphene Surface-Enhanced Raman Spectroscopy with Superior Charge-Transfer Contribution
Notice bibliographique
Résumé
The interaction of graphene with metals initiates charge-transfer interaction-induced chemical enhancements, which critically depend on the doping effect from deposited metallic configurations. In this paper, we have explored the gold nanoparticle-decorated monolayer graphene nanosheets for the large graphene-induced Raman enhancement of adsorbed analytes, indicating the surface-enhanced Raman spectroscopy (SERS) capabilities of metal-doped graphene (G-SERS). Here, the systematically sputtered Au thickness optimization procedure revealed noticeable modifications in the graphene Raman spectra and photoluminescence (PL) background quenching, which indicated favorable charge transfer through n-type doping of chemical vapor deposition-grown graphene nanosheets. The highly consistent, individually distributed morphology of the gold nanoislands over graphene nanosheets depicted a reproducibly uniform G-SERS signal with excellent relative standard deviation values (<5%), resulting in the strongest Raman intensity enhancement factors of ∼10 8 (MB) (methylene blue) and 10 7 (DPA) (2,6-pyridinedicarboxylic acid) composed of the weakest PL background. The combined charge-transfer-induced chemical enhancement and electromagnetic enhancement from individual Au nanoislands result in a lowering of detectability down to 10 –16 M (MB) and 10 –11 M (DPA) concentrations with efficient time-dependent signal stability. Additionally, the GAu demonstrated its effective (∼94.4%) photocatalytic degradation capabilities by decomposing MB dye molecules from a concentration of 1 μM to 2.52 fM within 60 min. Therefore, the prominent charge-transfer contribution through controlled Au decoration over graphene nanosheets provides a potential strategy for fabricating superior SERS sensors and photocatalysts exhibiting adequate signal consistency, stability, and photodegradation efficiency through overcoming the limitations of the traditional sensing platforms.
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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».