MétaCan
Menu
Retour à la cohorte
Enregistrement W4402993929 · doi:10.3390/nano14191574

Nanoenergetic Materials: From Materials to Applications

2024· review· en· W4402993929 sur OpenAlexaff
Rajagopalan Thiruvengadathan, Anqi Wang

Notice bibliographique

RevueNanomaterials · 2024
Typereview
Langueen
DomaineEngineering
ThématiqueEnergetic Materials and Combustion
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésNanoelectromechanical systemsNanotechnologyMaterials scienceThermiteFabricationNanoscopic scaleSensitivity (control systems)CombustionSoftware deploymentComputer scienceNanoparticleEngineeringNanomedicineComposite materialElectronic engineeringChemistry

Résumé

récupéré en direct d'OpenAlex

Both nanoscience and nanotechnology have undoubtedly contributed significantly to the development of thermite-based nanoenergetic materials (NEMs) with tunable and tailorable combustion performance and their subsequent integration into devices. Specifically, this review article reflects the immense paybacks in designing and fabricating ordered/disordered assembly of energetic materials over multiple length scales (from nano- to milli-scales) in terms of realization of desired reaction rates and sensitivity. Besides presenting a critical review of present advancements made in the synthesis of NEMs, this article touches upon aspects related to various applications concomitantly. The article concludes with the author's summary of the insurmountable challenges and the road ahead toward the deployment of nanoenergetic materials in practical applications. The real challenge lies in the ability to preserve the self-assembly of fuel and oxidizer nanoparticles achieved at the nanoscale while synthesizing macroscale energetic formulations using advanced fabrication techniques both in bulk and thin film forms. Most importantly, these self-assembled NEMs have to exhibit excellent combustion performance at reduced sensitivity to external stimuli such as electrostatic discharge (ESD), friction and impact.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,839
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0030,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0060,010

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,283
Écart entre enseignants0,261 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations13
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNanomaterialsMême sujetEnergetic Materials and CombustionTravaux en français237 207