A Highly Sensitive Chitosan-Based SERS Sensor for the Trace Detection of a Model Cationic Dye
Notice bibliographique
Résumé
The rapid detection of contaminants in water resources is vital for safeguarding the environment, where the use of eco-friendly materials for water monitoring technologies has become increasingly prioritized. In this context, the role of biocomposites in the development of a SERS sensor is reported in this study. Grafted chitosan was employed as a matrix support for Ag nanoparticles (NPs) for the surface-enhanced Raman spectroscopy (SERS). Chitosan (CS) was decorated with thiol and carboxylic acid groups by incorporating S-acetyl mercaptosuccinic anhydride (SAMSA) to yield CS-SAMSA. Then, Ag NPs were immobilized onto the CS-SAMSA (Ag@CS-SAMSA) and characterized by spectral methods (IR, Raman, NIR, solid state 13C NMR with CP-MAS, XPS, and TEM). Ag@CS-SAMSA was evaluated as a substrate for SERS, where methylene blue (MB) was used as a model dye adsorbate. The Ag@CS-SAMSA sensor demonstrated a high sensitivity (with an enhancement factor ca. 108) and reusability over three cycles, with acceptable reproducibility and storage stability. The Raman imaging revealed a large SERS effect, whereas the MB detection varied from 1–100 μM. The limits of detection (LOD) and quantitation (LOQ) of the biocomposite sensor were characterized, revealing properties that rival current state-of-the-art systems. The dye adsorption profiles were studied via SERS by fitting the isotherm results with the Hill model to yield the ΔG°ads for the adsorption process. This research demonstrates a sustainable dual-function biocomposite with tailored adsorption and sensing properties suitable for potential utility in advanced water treatment technology and environmental monitoring 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) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».