Sensitivity and Adsorption Energy Analysis of B and Ga Doped Graphene/Silicene for HCl Gas Sensing
Notice bibliographique
Résumé
Detecting highly toxic HCl fumes conveniently, quickly, and reliably is essential due to its potential human health hazards.Therefore, it is important to track trace amounts of HCl using sensors.Sensors based on the two-dimensional materials graphene and graphene-like materials have attracted widespread attention due to their sensitivity, especially when grafting them with other molecules or atoms to alter the electronic and structural properties.This work used DFT to investigate the adsorption mechanism of pure and (B, Ga) doped graphene/silicene on the hazardous gas HCl.Adsorption energy, charge transfer, sensitivity, and density of state were Calculated.The adsorption energy of pure Graphene/silicene are (-0.1306,-0.2857) with sensitivity (1.132, 5.311) respectively.Doping graphene and graphene-like structures with (B, Ga) atoms significantly enhances the adsorption energy of graphene.This suggests that doped graphene performs better than pure graphene in applications involving HCl gas adsorption and sensors.GNR_DopB has a (19.41eV) adsorption energy and (51.58%) sensitivity to HCl gas, while the adsorption energy of GNR_DopGa is (-0.958eV), and it has the highest sensitivity to gas among the calculated models (195.03%).The results showed that graphene doped with Ga atoms has high sensitivity to HCl gas.In contrast, graphene doped with B atoms has high adsorption energy and High sensitivity, indicating that it can be used as suitable equipment for high-efficiency sensing HCl gas.
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 | 0,001 | 0,000 |
| 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 | 0,001 | 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 ».