Separation of nanoparticles by a nano-orifice based DC-dielectrophoresis method in a pressure-driven flow
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
A novel DC-dielectrophoresis (DEP) method employing a pressure-driven flow for the continuous separation of micro/nano-particles is presented in this paper. To generate the DEP force, a small voltage difference is applied to produce a non-uniformity of the electric field across a microchannel via a larger orifice of several hundred microns on one side of the channel wall and a smaller orifice of several hundred nanometers on the opposite channel wall. The particles experience a DEP force when they move with the flow through the vicinity of the small orifice, where the strongest electrical field gradient exists. Experiments were conducted to demonstrate the separation of 1 μm and 3 μm polystyrene particles by size by adjusting the applied electrical potentials. In order to separate smaller nanoparticles, the electrical conductivity of the suspending solution is adjusted so that the polystyrene nanoparticles of a given size experience positive DEP while the polystyrene nanoparticles of another size experience negative DEP. Using this method, the separation of 51 nm and 140 nm nanoparticles and the separation of 140 nm and 500 nm nanoparticles were demonstrated. In comparison with the microfluidic DC-DEP methods reported in the literature which utilize hurdles or obstacles to induce the non-uniformity of an electric field, a pair of asymmetrical orifices on the channel side walls is used in this method to generate a strong electrical field gradient and has advantages such as capability of separating nanoparticles, and locally applied lower electrical voltages to minimize the Joule heating effect.
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