Photothermal Boost of Laser‐Synthesized TiC Colloidal Variants with Engineered Solid‐State Interfaces and Nitridation
Notice bibliographique
Résumé
Colloids are vital in many fields, including optics, energy conversion, and photothermal therapy. TiC colloids and their variants are synthesized in acetonitrile using a "green" femtosecond laser fragmentation method under varying laser-power conditions. Three distinct types of TiC colloids are produced: i) pure TiC spherical nanoparticles at low laser power (<0.5 W) through thermodynamically driven spheroidization; ii) TiC nanoparticles with a multilayer graphene shell at moderate laser power (0.5-1 W) via carbon nucleation from acetonitrile decomposition; and iii) nitridated TiC nanoparticles with a multilayer graphene shell at high laser power (1.5-2 W), achieved through nitrogen incorporation facilitated by the breakdown of strong C≡N bonds in acetonitrile. The structural integrity of TiC in all three types of nanoparticles is maintained. The nanoparticle formation mechanisms are investigated, along with the effects of the interfaces and nitridation of TiC on its light-to-heat conversion. Photothermal measurements show a significant improvement in light-to-heat conversion for TiC nanoparticles with shells compared to pure TiC. This enhancement is attributed to light trapping within the colloidal solution, caused by the refractive index mismatch between TiC and graphene. Comparative scattering, absorption, and extinction efficiencies calculations based on Mie theory confirm this effect. Further photothermal enhancement is observed in the nitridated nanoparticles attributed to superior absorption in the NIR region. This study presents a sustainable approach for synthesizing photothermally efficient TiC-based colloids with nanoscale interface engineering and doping, enabling applications in energy and biomedical technologies.
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 ».