Microwave sensing and heating of individual droplets in microfluidic devices
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Droplet-based microfluidics is an emerging high-throughput screening technology finding applications in a variety of areas such as life science research, drug discovery and material synthesis. In this paper we present a cost-effective, scalable microwave system that can be integrated with microfluidic devices enabling remote, simultaneous sensing and heating of individual nanoliter-sized droplets generated in microchannels. The key component of this microwave system is an electrically small resonator that is able to distinguish between materials with different electrical properties (i.e. permittivity, conductivity). The change in these properties causes a shift in the operating frequency of the resonator, which can be used for sensing purposes. Alternatively, if microwave power is delivered to the sensing region at the frequency associated with a particular material (i.e. droplet), then only this material receives the power while passing the resonator leaving the surrounding materials (i.e. carrier fluid and chip material) unaffected. Therefore this method allows sensing and heating of individual droplets to be inherently synchronized, eliminating the need for external triggers. We confirmed the performance of the sensor by applying it to differentiate between various dairy fluids, identify salt solutions and detect water droplets with different glycerol concentrations. We experimentally verified that this system can increase the droplet temperature from room temperature by 42 °C within 5.62 ms with an input power of 27 dBm. Finally we employed this system to thermally initiate the formation of hydrogel particles out of the droplets that are being heated by this system.
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.
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) | 0,000 | 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 découle