Plasmonic Ag Nanoparticles: Correlating Nanofabrication and Aggregation for SERS Detection of Thiabendazole Pesticide
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide The level of aggregation and aggregate morphology of metallic nanoparticles are factors that influence the SERS signal (surface-enhanced Raman scattering), affecting reproducibility and sensitivity. This study presents a systematic evaluation of the colloidal aggregation on the SERS signal by combining transmission electron microscopy and UV–vis extinction spectroscopy. It focuses on the effect of two methods of sample preparation (“external standard method-ESM” and “standard addition method-SAM”) on the SERS signal using the fungicide thiabendazole (TBZ) in Ag colloid as a probe molecule. The TBZ critical concentration (concentration for which SERS reaches the maximum intensity) was 6.0 × 10 –6 mol/L for ESM and 1.5 × 10 –6 mol/L for SAM. Besides, TBZ exhibited a sigmoid-type isotherm for ESM, indicating formation of a TBZ first layer on Ag nanoparticles at lower concentrations (Ag aggregates more compact; size <500 nm) and TBZ multilayers at higher concentrations (Ag aggregates more branched; >2 μm). For SAM, the TBZ first layer formation was also observed at lower concentrations (Ag aggregates more branched; <2 μm). However, at higher concentrations, the Ag colloid degradation/precipitation was observed (Ag aggregates more compact; >2 μm). The Ag aggregation mechanisms align with reaction-limited colloidal aggregation at lower concentrations and diffusion-limited colloidal aggregation at higher concentrations. We believe these results contribute to the SERS research field despite all of the work already done over its 50-year history.
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 ».