Functional group chemistry as a determinant of graphitic carbon nitride nanosheet dispersibility: A molecular dynamics study
Notice bibliographique
Résumé
• SO 3 H and COOH groups enhance g-C 3 N 4 exfoliation in DMF via reduced free energy. • Functionalization modulates solvent mobility/dipole interactions, affecting exfoliation. • CHO groups hinder exfoliation by increasing free energy and solvent disruption. • COOH-functionalized g-C 3 N 4 shows superior dispersibility in DMF (experimentally validated) • Solvent selection guidelines optimize functionalized g-C 3 N 4 nanosheet production. This study contributes to addressing the challenges in producing high-quality graphitic carbon nitride (g-C 3 N 4 ) nanosheets through liquid-phase exfoliation (LPE), by investigating the impact of chemical functionalization. Utilizing molecular dynamics simulations, functionalization with sulfonic (SO 3 H), carboxyl (COOH), amine (NH 2 ), hydroxyl (OH), and aldehyde (CHO) is explored to assess their impact on LPE efficiency in DMF. Our findings reveal that SO 3 H and COOH functional groups significantly enhance exfoliation efficiency by improving solvent-nanosheet interactions, decreasing solvent mobility, and reducing the free energy required for exfoliation. NH 2 and OH groups also contribute positively, though to a lesser extent, while CHO hinders the process by increasing the free energy of exfoliation and disrupting solvent–solvent interactions. Experimental validation confirms the superior dispersibility of COOH-functionalized g-C 3 N 4 in DMF compared to pristine g-C 3 N 4 , aligning with computational predictions. Based on these insights, practical guidelines are proposed for solvent selection to optimize the production of functionalized g-C 3 N 4 . Molecular-level mechanisms understood from this work can facilitate the development of strategies for advancing the synthesis and utilization of g-C 3 N 4 -based materials.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».