MétaCan
Menu
Retour à la cohorte
Enregistrement W2537252834 · doi:10.1039/c6an02208a

Creating compact and microscale features in paper-based devices by laser cutting

2016· article· en· W2537252834 sur OpenAlexafffund
Md. Almostasim Mahmud, Eric J. M. Blondeel, Moufeed Kaddoura, Brendan D. MacDonald

Notice bibliographique

RevueThe Analyst · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueBiosensors and Analytical Detection
Établissements canadiensEmmanuel Bible CollegeOntario Tech UniversityLakeridge Health
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésMicroscale chemistryMicrofluidicsLaserFabricationMaterials scienceFOIL methodLaser power scalingSample (material)NanotechnologyOptoelectronicsComputer scienceOpticsChromatographyChemistryComposite material

Résumé

récupéré en direct d'OpenAlex

laser cutting/engraving machine. Using this method we are able to produce the smallest features with the narrowest barriers yet reported for paper-based microfluidic devices. The method uses foil backed paper as the base material and yields inexpensive paper-based devices capable of using small fluid sample volumes and thus small reagent volumes, which is also suitable for mass production. The laser parameters (power and laser head speed) were adjusted to minimize the width of hydrophobic barriers and we were able to create barriers with a width of 39 ± 15 μm that were capable of preventing cross-barrier bleeding. We generated channels with a width of 128 ± 30 μm, which we found to be the physical limit for small features in the chromatography paper we used. We demonstrate how miniaturizing of paper-based microfluidic devices enables eight tests on a single bioassay device using only 2 μL of sample fluid volume.

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 enseignants0,330
Score d'incertitude au seuil0,162

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 Opus0,005
Tête enseignante GPT0,207
Écart entre enseignants0,202 · 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

Citations52
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe AnalystMême sujetBiosensors and Analytical DetectionTravaux en français237 207