MétaCan
Menu
Retour à la cohorte
Enregistrement W1980477220 · doi:10.1039/c4lc00131a

Shaken, and stirred: oscillatory segmented flow for controlled size-evolution of colloidal nanomaterials

2014· article· en· W1980477220 sur OpenAlexaff
Milad Abolhasani, Ali Oskooei, Anna Klinkova, Eugenia Kumacheva, Axel Günther

Notice bibliographique

RevueLab on a Chip · 2014
Typearticle
Langueen
DomaineEngineering
ThématiqueInnovative Microfluidic and Catalytic Techniques Innovation
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésNanomaterialsFlow (mathematics)ColloidNanotechnologyMaterials scienceColloidal particleMechanicsChemical engineeringEngineeringPhysics

Résumé

récupéré en direct d'OpenAlex

We introduce oscillatory segmented flow as a compact microfluidic format that accommodates slow chemical reactions for the solution-phase processing of colloidal nanomaterials. The strategy allows the reaction progress to be monitored at a dynamic range of up to 80 decibels (i.e., residence times of up to one day, equivalent to 720-14,400 times the mixing time) from only one sensing location. A train of alternating gas bubbles and liquid reaction compartments (segmented flow) was initially formed, stopped and then subjected to a consistent back-and-forth motion. The oscillatory segmented flow was obtained by periodically manipulating the pressures at the device inlet and outlet via square wave signals generated by non-wetted solenoid valves. The readily implementable format significantly reduced the device footprint as compared with continuous segmented flow. We investigated mixing enhancement for varying liquid segment lengths, oscillation amplitudes and oscillation frequencies. The etching of gold nanorods served as a case study to illustrate the utility of the approach for dynamic characterization and precise control of colloidal nanomaterial size and shape for 5 h. Oscillatory segmented flows will be beneficial for a broad range of lab-on-a-chip applications that require long processing times.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,217
Score d'incertitude au seuil0,497

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,213
Écart entre enseignants0,206 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations40
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLab on a ChipMême sujetInnovative Microfluidic and Catalytic Techniques InnovationTravaux en français237 207