Engineered pigment nanoparticles: bottom-up synthesis, characterization, and performance properties
Notice bibliographique
Résumé
High performance organic nanopigments are an increasingly important class of functional nanomaterials that possess physical properties ranging between molecular and bulk materials. These nanomaterials have been utilized in a variety of important commercial applications including coatings, printing, information storage, and display technologies [1]. We will discuss our recent work in developing a bottom-up approach for preparation of 3 different classes of high-performance organic nanopigments: 1) azo-laked Pigment Red 57:1 (LAK), 2) quinacridone Pigment Red 122 (QUIN), and 3) azobenzimidazolone (BZI) Pigments Yellow 151 and Red 175. The physical characteristics of the nanopigments were characterized by electron microscopy, dynamic light scattering (DLS), and powder X-ray diffraction (XRD), while their coloristic spectral properties, and dispersion thermal stability were investigated in various matrices. We identified relationships between pigment particle size and their coloristic as well as thermal stability properties for these nanopigments. High resolution transmission electron microscopy (HR-TEM) provided clear images of lattice fringes, and enabled us to determine the crystal orientation of the molecules packed within the QUIN and BZI pigment nanoparticles.
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) | 0,003 | 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 ».