Zobrazeno 1 - 10
of 33
pro vyhledávání: '"C Ugwumadu"'
Publikováno v:
JPhys Materials, Vol 7, Iss 2, p 025003 (2024)
This paper explores the transport properties of aluminum-carbon composite material via ab initio methods. Interfacial and electronic dynamics of the aluminum-graphene interface structure were investigated using models of amorphous graphene added to a
Externí odkaz:
https://doaj.org/article/e070c951338a4778a77292c52213ef98
Publikováno v:
Carbon Trends, Vol 10, Iss , Pp 100239- (2023)
Multi-shell fullerenes ”buckyonions” were simulated, starting from initially random configurations, using a density-functional-theory (DFT)-trained machine-learning carbon potential within the Gaussian Approximation Potential (GAP) Framework [Vol
Externí odkaz:
https://doaj.org/article/ea16a914b29446c5a4d8efec62d695b8
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
Journal of Non-Crystalline Solids: X. 18:100179
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_________::c5ea296a2b0a4c306ba338702d4a6486
https://doi.org/10.1016/j.nocx.2023.100179
https://doi.org/10.1016/j.nocx.2023.100179
Publikováno v:
Physical review letters. 128(23)
An amorphous graphite material has been predicted from molecular dynamics simulation using ab initio methods. Carbon materials reveal a strong proclivity to convert into a sp^{2} network and then layer at temperatures near 3000 K within a density ran
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::914d87d9ffe48642ce646e8c6d7e8615
https://pubmed.ncbi.nlm.nih.gov/35749197
https://pubmed.ncbi.nlm.nih.gov/35749197
Multi-shell fullerenes "buckyonions" were simulated, starting from initially random configurations, using a density-functional-theory (DFT)-trained machine-learning carbon potential within the Gaussian Approximation Potential (ML-GAP) Framework [Volk
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::c19046e0e0cc80781e5912d890a7da63
Publikováno v:
Journal of Non-Crystalline Solids. 601:121998
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_________::c513fd6b8ac93b64afc5977208c36aca
https://doi.org/10.1016/j.jnoncrysol.2022.121998
https://doi.org/10.1016/j.jnoncrysol.2022.121998
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.