Graphene doped ZnO films for photoelectrowetting on microchannels
Notice bibliographique
Résumé
Photoelectrowetting on dielectric surfaces can be used to drive droplets of liquid along reconfigurable paths on a microfluidic chip using controlled optical signals. These electrostatically activated surfaces along the desired path eliminate the need for precision molded channels and discrete functional components such as microvalves and micropumps. The photoelectrowetting effect exploits the surface tension of the droplet to maintain its volume during the transportation pathway and the photoelectric properties of the substrate surface are used to induce reversible fluidic flow. The active light-driven substrate is structured from graphene doped zinc-oxide (ZnO-G) films deposited on ITO coated glass. This substrate is coated from the ZnO-G side with Ruthenium-based dye (N719) to maximize its absorbability. The light triggers two forces that enable the droplet to be transported along the substrate. The first arises from the induced hydrophobicity gradient formed across the droplet contact area with the substrate surface. Exposing the ZnO-G film to a broad spectrum white light source alters the surface’s electric potential which induces a change in the droplet’s contact angle and the associated hydrophobicity. Once the hydrophobicity gradient is generated the droplet will start to move in the direction of the wetting zone. The second force is also created by the optical input when the absorbed light generates a photoelectric potential that produces a piezo-electrical effect on the ZnO-G film. The light triggered piezo-electrical behavior of the ZnO-G film can be used to generate the erasable microchannels that can guide droplet movement through a microfluidic chip. Preliminary experiments are performed to investigate the photoelectric potential of light activated ZnO-G films.
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 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».