Synthesis and Characterization of Magnetic Nanoparticle-Decorated Multiwalled Carbon Nanotubes
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Multiwalled carbon nanotubes find applications in many fields due to their extraordinary properties. However, depending on their synthesis method, they show no or a poor response to the presence of a magnetic field. This limits their usability in magnetic applications. In this study, the maximum induced magnetization of multiwalled carbon nanotubes was increased by deposition of magnetic nanoparticles, which were produced by nanosecond pulsed laser deposition under inert low-pressure conditions using iron (Fe), magnetite (Fe 3 O 4 ), cobalt (Co), and nickel (Ni) targets. Extensive chemical and physical characterization of the added nanoparticles was performed. It was found that for the same synthesis conditions, Fe and Fe 3 O 4 targets resulted in the formation of larger, asymmetrical magnetic Fe nanoparticles with a Fe 3 O 4 shell (Fe@Fe 3 O 4 ) (3.2–8.6 nm) and Fe 3 O 4 (6.0–12.4 nm) nanoparticles, respectively. Smaller, more spherical Co@CoO (2.1–5.0 nm) and Ni@NiO (1.4–3.5 nm) nanoparticles were obtained from the Co and Ni targets, respectively. The highest increase in maximum induced magnetization was observed for multiwalled carbon nanotubes with Fe@Fe 3 O 4 (5.37 ± 0.15 emu/g) or Co@CoO nanoparticles (4.29 ± 0.01) compared to pristine multiwalled carbon nanotubes (2.46 ± 0.08 emu/g) and nanotubes with Fe 3 O 4 (3.79 ± 0.38 emu/g) or Ni@NiO nanoparticles (2.85 ± 0.06 emu/g). Finally, superior adhesion of the Fe@Fe 3 O 4 and Fe 3 O 4 nanoparticles to multiwalled carbon nanotubes compared to the Ni@NiO and Co@CoO nanoparticles was identified.
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 | 0,000 |
| 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) | 0,000 | 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 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 ».