Chemical adsorption-induced distinct friction behaviors of supported atomically thin nanofilm
Notice bibliographique
Résumé
Graphene, with its excellent mechanical properties and friction-reducing capabilities, functions as a solid lubricant and protective coating. However, environmental contamination, consisting of various compounds, elements, and molecules, can degrade these properties and is challenging to characterize. We address this difficulty to unravel the impact of contamination on graphene's tribological performance by adsorbing six different chemical reagents on graphene supported by silicon substrates. Through friction experiments, six distinct frictional behaviors were observed on these contaminated graphene samples. Specifically, benzyl alcohol, toluene, and ethanol all increased the surface friction, adhesion, and friction coefficient of graphene to varying degrees, resulting in positive frictional hysteresis. In contrast, acetone, 1-pentanol, and 1-pentane had the opposite effect to different extents. Notably, 1-pentane significantly reduced the friction coefficient of graphene, achieving superlubricity, while benzyl alcohol damaged thin layers of graphene, causing them to completely disappear. Finally, through MD simulations, we demonstrated that hydrogen bonds formed by hydroxyl groups and the carbon chain structure of the chemical contaminants cause variations in the contact area and stress/strain distribution within it, thus leading to varied surface friction. The evolution of these factors during the loading-unloading process was the primary reason behind these six distinct hysteretic friction behaviors.
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 ».