This work discusses the oxidation of graphite using a modified Hummers method to produce graphene oxide (GO) suitable for large-scale production and long-term storage, and its further reduction to reduced graphene oxide (rGO) with solvated electrons in liquid ammonia as the reducing agent. These low-temperature processes yield a material with fewer structural defects than any other liquid processed rGO, as confirmed by characterization using UV-vis spectroscopy, XPS, optical and Raman microscopy. This reduction method was developed to allow precise control over the mass ratio of reducing agent to recipient and thus the isolation of materials with a varying defect density. The influence of defects in different amounts is demonstrated by the example of a chemiresistive sensor for the detection of NO2 at ambient temperature using rGO as transducer material. The measured signal responses to NO2 in a concentration range from 1 – 10 ppm vary between sensors fabricated with rGO from different stages of reduction. However, it cannot conclusively be stated that the observed trends originate solely from different material properties, rather than morphological differences, which play a crucial role in electrical sensing, due to largely irreproducible drop-deposition.
By means of an optical sensor based on surface-plasmon-resonance imaging (SPRi) it is shown, how the chemical properties, i.e., binding characteristics towards hydrophilic and hydrophobic analytes, can be exploited to produce a label-free and selective sensor through an array of semi-selective materials with different amounts of defects in the form of functional oxygen groups. In this approach the differences in defect density are achieved by mixing GO and rGO in different ratios and dispensing them onto the sensor substrate. The optically similar chemical structure of the materials allows intensity-based signal generation at a fixed angle of incidence and with that online monitoring of the analyte state. A convolutional neural network (CNN) is employed for automatic feature extraction from the obtained images and classification within a system of four purine bases. The superiority of CNN-based analysis over traditional classification methods, like decision trees with manual feature extraction is highlighted. In this regard the inhomogeneity of the material spots holds additional informative value to be evaluated by the model. The trained CNN is able to generalize across measurement conditions and even untrained sensors, showcasing the potential for robust and reusable sensors using GO and rGO.

Diese Arbeit behandelt die Oxidation von Graphit mit einer modifizierten Hummers-Methode zur Herstellung von Graphenoxid (GO), das sich gut für Massenproduktion und Langzeitlagerung eignet, und die weitergehende Reduktion zu reduziertem Graphenoxid (rGO) mit solvatisierten Elektronen in flüssigem Ammoniak als Reduktionsmittel. Diese Niedrigtemperaturverfahren ergeben ein Material mit weniger strukturellen Defekten als andere flüssig verarbeitete rGOs, was die Charakterisierung mittels UV-vis-Spektroskopie, XPS, optischer und Raman-Mikroskopie bestätigt. Die beschriebene Reduktionsmethode wurde so entwickelt, dass sie eine präzise Steuerung der Masse von Reduktionsmittel zum Rezipienten und damit die Isolierung von Materialien mit unterschiedlicher Defektdichte ermöglicht. Deren Einfluss wird am Beispiel eines chemiresistiven Sensors zum Nachweis von NO2 bei Raumtemperatur gezeigt. Die gemessenen Signalantworten auf NO2 in einem Konzentrationsbereich von 1 - 10 ppm variieren je nach Sensor mit rGO aus verschiedenen Reduktionsstufen. Es kann jedoch nicht final bestätigt werden, dass die beobachteten Trends ausschließlich auf unterschiedliche Materialeigenschaften zurückzuführen sind und nicht auf in der elektrischen Sensorik essenzielle morphologische Unterschiede aus der weitgehend nicht-reproduzierbaren Aufbringung.
Anhand eines optischen Sensors, basierend auf der Oberflächenplasmonen-resonanzspektroskopischen Bildgebung (SPRi), wird gezeigt, wie die Bindungseigenschaften der Materialien gegenüber hydrophilen und hydrophoben Analyten, genutzt werden können, um einen Label-freien und selektiven Sensor herzustellen, in Form eines semi-selektiven Arrays mit unterschiedlichen Mengen an Defekten bzw. funktionellen Sauerstoffgruppen. Bei diesem Ansatz werden die Unterschiede in der Defektdichte durch das Mischen von GO und rGO in verschiedenen Verhältnissen und das Auftragen auf das Sensorsubstrat erreicht. Die optisch ähnliche chemische Struktur der Materialien ermöglicht eine intensitätsbasierte Signalerzeugung bei festem Einfallswinkel und damit eine Online-Überwachung des Analytenzustands. Für eine automatische Merkmalsextraktion aus den erhaltenen Bildern und die Klassifizierung von vier Purinbasen wird ein Faltungs-neuronales Netzwerk (CNN) eingesetzt, das traditionellen Klassifizierungsmethoden wie Entscheidungsbäumen mit manueller Merkmalsextraktion weit überlegen ist. In diesem Zusammenhang besitzt die Inhomogenität der Materialflecken zusätzlichen Informationswert. Das trainierte Modell ist in der Lage, über Messbedingungen und sogar untrainierte Sensoren hinweg zu generalisieren, was das Potenzial für robuste und wiederverwendbare Sensoren unter Verwendung von GO und rGO aufzeigt.