From Coated to Uncoated: Scanning Electron Microscopy Corrections to Estimate the True Surface Pore Size in Nanoporous Membranes
Notice bibliographique
Résumé
Scanning electron microscopy (SEM) is the premier method for characterizing the nanoscale surface pores in ultrafiltration (UF) membranes and the support layers of reverse osmosis (RO) membranes. Based on SEM, the conventional understanding is that membranes typically have low surface porosities of <10%. We demonstrated and quantified how the high acceleration voltage during SEM imaging and the sputtered-metal coating thickness required for SEM systematically underestimate membrane surface porosity and pore size. We showed that imaging a commercial UF membrane at 1, 5, and 10 kV reduced the measured surface porosity from 10.3 ± 0.3% (1 kV) to 6.3 ± 0.4% (10 kV), while increasing the Pt coating thickness from 1.5 to 5 nm reduced the porosity by 54% for the UF membrane (12.9 ± 0.9% to 5.8 ± 0.6%) and 46% for an RO support (13.1 ± 0.6% to 7.0 ± 0.2%). To account for the coating thickness, we then developed a digital correction method that simulates pore dilation, enabling the surface pore structure to be estimated for uncoated membranes. Pore dilation yielded uncoated surface porosity values of 23% for the UF membrane and 20% for the RO support, which are approximately 3-fold greater than the directly observed values for a typical coating thickness of 4 nm. Similarly, mean pore diameters for uncoated membranes were 2-fold greater for the UF membrane and 1.5-fold greater for the RO support than directly observed. Critically, the dilation-derived pore-size distributions agreed with low-flux dextran-retention measurements fitted with the Bungay-Brenner model. Our results suggest that the surface porosities and pore sizes of nanoporous membranes are much larger than previously understood, which has major implications for structure/transport relationships. For future nanoscale pore analysis of membranes (and other nanoporous materials), we recommend low acceleration voltage (1 kV), minimal coatings (1-2 nm), and digital dilation to account for coating-induced artifacts.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».