MétaCan
Menu
Retour à la cohorte
Enregistrement W2010224078 · doi:10.1039/c0lc00335b

Producing a superhydrophobic paper and altering its repellency through ink-jet printing

2011· article· en· W2010224078 sur OpenAlexafffund
David Barona, Alidad Amirfazli

Notice bibliographique

RevueLab on a Chip · 2011
Typearticle
Langueen
DomaineMaterials Science
ThématiqueSurface Modification and Superhydrophobicity
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanada Research Chairs
Mots-clésInkwellDrop (telecommunication)Materials scienceWettingIntensity (physics)NanotechnologyJet (fluid)Composite materialChemical engineeringOpticsMechanical engineeringMechanicsEngineering

Résumé

récupéré en direct d'OpenAlex

A new method for making superhydrophobic (SH) paper based on spraying a nanocomposite film is developed. Furthermore, manipulating the wetting characteristics of SH paper has been demonstrated through a new method, i.e. printing solid grey patterns of different intensities with simple printing technology (home or office grade ink-jet and laser printers). It has been found that for a range of ink intensities (0-85%), water drop mobility can be changed at a different rate (almost independently) from repellency. The repellency of water decreases minimally up to 85% ink intensity with a sharp decrease up to 100% ink intensity. Drop mobility remains constant up to 30% ink intensity with a steady decrease up to 100% ink intensity. It was observed that using ink-jet or laser printing would yield different results for the change of mobility or repellency with higher amounts of ink/toner used. Being able to achieve almost independent control of water drop mobility over water drop repellency on SH paper would allow inexpensive lab-on-paper devices to be used for sampling, mixing and transport of liquids.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

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 recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,059
Tête enseignante GPT0,252
Écart entre enseignants0,193 · 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 source (Gemma direct ou Codex distillé), 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
Publié2011
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueLab on a ChipMême sujetSurface Modification and SuperhydrophobicityTravaux en français237 207