Dispersive Liquid–Liquid Microextraction (DLLME) Coupled with Droplet Evaporation on an Omniphobic Nano/Micro Structured Porous Microfiber Membrane for Surface-Enhanced Raman Spectroscopy
Notice bibliographique
Résumé
This study demonstrates an ultrasensitive method for surface-enhanced Raman spectroscopy (SERS) based on dispersive liquid–liquid microextraction (DLLME) coupled with droplet evaporation on a functionalized omniphobic microfiber membrane. The omniphobicity of the membrane was achieved by the fabrication of fractal structures using silica nanoparticles and lowering surface energy. The approach involves the preconcentration of the analyte in a ternary mixture of water–oil–ethanol, followed by collecting microemulsion droplets in an omniphobic porous microfiber membrane. A supraparticle of plasmonic nanoparticles formed from droplet evaporation on the membrane acts as hotspots for SERS detection. This method achieves exceptionally low detection limits of 10 –6 –10 –14 M for four nonvolatile and three volatile analytes of significance to food safety and environment after oil spill. The intensity of SERS signals depends on the partition coefficient of the analyte in water and oil microdroplets, the response of functional groups in the chemical structure of the analytes to Raman scattering, and the wetting properties of the microfiber membrane. The preparation method demonstrated in this work may have broad applications in the detection of pesticides in environmental monitoring, pharmaceutical waste, and hydrocarbon pollutants.
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 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».