Enhancing NO<sub>2</sub> Gas Sensing: The Dual Impact of UV and Thermal Activation on Vertically Aligned Nb-MoS<sub>2</sub> for Superior Response and Selectivity
Notice bibliographique
Résumé
Nitrogen dioxide (NO 2 ) is considered to be a highly hazardous gas found in combustion engine exhaust, which causes several diseases at a young age. To detect NO 2 at room temperature (RT), two-dimensional transition metal dichalcogenides play an essential role because of their greater surface-to-volume ratio. However, their higher limit of detection (LOD), slow response, and incomplete recovery kinetics hinder their use in efficient gas sensors. To mitigate these issues, we fabricate a facile and robust niobium (Nb)-doped molybdenum disulfide (MoS 2 ) sensor using low-pressure chemical vapor deposition on a SiO 2 /Si substrate. Doping is confirmed through various characterization techniques. As compared to pristine MoS 2, three batches of sensors are prepared with different weight percentages of Nb (8, 16, and 24%). Out of these, the 16% Nb-MoS 2 sensor gives a greatly enhanced relative response of ∼30% for 500 ppb NO 2 at 100 °C with an LOD of 489 ppt. Also, the sensor gives an ultrahigh response of ∼39% (18%) for 50 ppm (500 ppb) NO 2 under 0.4 mW/cm 2 intensity of UV light and exhibits a lower LOD of 117 ppt at RT. In addition, the 16% Nb-MoS 2 sensor shows impressive selectivity toward NO 2 against a range of reducing and oxidizing gases, along with exceptional long-term durability and stability. Based on density functional theory calculations, a comprehensive gas sensing mechanism is proposed. The calculations focus on identifying the favorable sites for NO 2 adsorption on 16% Nb-MoS 2 nanoflakes. This study offers a compelling and practical approach to boosting the efficiency of Nb-MoS 2 -based NO 2 gas sensors.
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 | 0,001 | 0,001 |
| 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 ».