Metal Ion Release Assembly: A Versatile Strategy for Scalable and Tunable 2D-Material Coatings
Notice bibliographique
Résumé
Two-dimensional materials (2DMs) exhibit distinctive electronic, electrochemical, and barrier properties, yet scalable production methods for conformal, thick, and uniform coatings across diverse and complex substrates remain limited. We introduce a Metal Ion Release Assembly (MIRA) strategy that uses a gelatin hydrogel preloaded with metal ions (M n + ) as a controlled ion-release platform. Upon immersion in a 2DM dispersion, M n + is released from the hydrogel, screening the surface charges of nanosheets and inducing electrostatic assembly at the gelatin hydrogel surface. This MIRA process enables the formation of M n + –2DM multilayer coatings without the need for additives. The applicability of MIRA is demonstrated using graphene oxide, Ti 3 C 2 T x MXene, and montmorillonite nanosheets via spin coating, dip coating, and doctor blading. Coating thicknesses from ∼1 μm to >20 μm are systematically tuned by adjusting immersion time, M n + concentration, and 2DM dispersion concentration. Interference reflection microscopy confirms rapid nanosheet attachment and assembly driven by burst M n + release. A diffusion-limited analytical model based on Fick’s second law with time-dependent diffusion coefficients accurately predicts coating thickness evolution. M n + can be removed through mild acid rinsing. Scalability and substrate adaptability in MIRA are demonstrated by fabricating large-area (∼400 cm 2 ) and conformal coatings on curved and cylindrical surfaces. Electrochemical tests show the MXene electrodes fabricated using MIRA and acid rinsing processes perform comparably to pristine MXene electrodes, with similar resistances, specific capacitance, and cycling stability. MIRA provides a tunable and scalable platform for thick 2DM coatings, with applications in sensing, electromagnetic shielding, and corrosion protection.
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 | 0,000 |
| 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) | 0,001 | 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 ».