Sensing of Organic Vapors with Plasmonic Distributed Bragg Reflectors
Notice bibliographique
Résumé
In recent years, advancements in air quality monitoring have been driven by the development of various sensor technologies, each with distinct advantages and limitations. Among these, polymer-based Distributed Bragg Reflectors (DBRs) have garnered significant interest for use in cost-effective, portable colorimetric sensors for detecting volatile organic compounds (VOCs). However, a key challenge in the fabrication of polymer-based DBRs lies in achieving an adequate refractive index contrast between the individual polymer layers. In this work, we fabricate plasmonic DBR sensors by a combination of low-temperature plasma-based techniques with reduced environmental footprint, investigate their potential as VOC sensors, and propose an optical model that links the sensors' optical properties and microstructure. Plasmonic nanoparticles of silver (Ag) are synthesized by gas aggregation and embedded into thermally evaporated poly(lactic acid) (PLA) layers to create nanocomposites with an enhanced refractive index (∼2.0). A 6-bilayer plasmonic DBR sensor is then produced by alternating depositions of plain PLA and nanocomposite layers as low and high refractive index materials, respectively. The resulting DBR achieves a 77% reflectance at 570 nm. The potential use-case of such a DBR as a VOC sensor is highlighted by its optical response upon exposure to ethanol (a model VOC) vapors as well as other VOCs (water, propanol, acetone, hexane). In an ethanol atmosphere, swelling of the polymer layers occurs, resulting in a red-shift of the reflection peak to 640 nm and a change in the DBR color. We take advantage of a generalized Maxwell-Garnett approach to create an advanced model that accurately reproduces the DBR spectra and captures swelling and degradation by accounting for structural changes and the behavior of isolated and coalesced Ag NPs within individual layers. Despite a decrease in the sensing performance with the number of swelling cycles, these plasmonic DBRs offer a promising solution for low-cost real-time VOC sensing.
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) | 0,000 | 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 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 ».