Enhanced SERS Detection of Toxic Dyes Using Gold–Silver Core‐Shell Nanoparticles
Notice bibliographique
Résumé
Abstract Sensitive detection of organic pollutants in aqueous medium is crucial for environmental safety. In this regard, we demonstrate the surface‐enhancement Raman spectroscopy (SERS)‐based detection of organic dyes using Au–Ag core‐shell nanoparticles (NPs) prepared via a single‐step seed‐mediated method. This facile method allows straightforward optimization of Ag shell thickness on Au core by simply adjusting the concentration of silver nitrate in the growth solution. Subsequently, these NPs were employed for the SERS‐based trace detection of various organic dye pollutants, namely, crystal violet (CV), methylene blue (MB), and methyl orange (MO). The core‐shell NPs exhibited excellent sensitivity and enhancement of the Raman signal during organic dye detection. The SERS signal intensity was seen to depend sensitively on the Ag shell thickness and under optimal conditions, an experimental enhancement factor (EF) of 1.49 × 10 5 was obtained. Furthermore, detection limits of 10 −9 , 10 −7 , and 10 −6 M for CV, MB, and MO, respectively, were achieved. The SERS signal was also stable for 30 days owing to the combined effect of core‐shell structure formation and cetyltrimethylammonium bromide (CTAB) bilayer on NPs. To evaluate the potential of these core‐shell NPs in real‐world environmental applications, MB and MO dyes were detected in lake water samples.
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 ».