MétaCan
Menu
Retour à la cohorte
Enregistrement W2603249089 · doi:10.1002/admt.201600236

3D Nonlinear Inscription of Complex Microcomponents (3D NSCRIPT): Printing Functional Dielectric and Metallodielectric Polymer Structures with Nonlinear Waves of Blue LED Light

2017· article· en· W2603249089 sur OpenAlexafffund
Dinesh Kumar Basker, Oscar Alejandro Herrera Cortes, Michael A. Brook, Kalaichelvi Saravanamuttu

Notice bibliographique

RevueAdvanced Materials Technologies · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueNanofabrication and Lithography Techniques
Établissements canadiensMcMaster University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanada Foundation for InnovationMcMaster UniversityUniversity of Ontario Institute of Technology
Mots-clésMaterials scienceNonlinear systemDielectricBlue lightPolymerOptoelectronicsNanotechnologyComposite materialPhysics

Résumé

récupéré en direct d'OpenAlex

A nonclassical 3D‐printing technique, 3D NSCRIPT, which employs nonlinear blue waves from light emitting diodes (LEDs) is introduced. This technique generates micro‐ and macroscopic dielectric and metallodielectric structures with seamless depths, which would be challenging to fabricate through conventional 3D printing techniques. 3D NSCRIPT exploits divergence‐free, nonlinear self‐trapped beams elicited during epoxide polymerization to inscribe 3D structures; by embedding patterns in and varying the diameter of nonlinear beams, it is possible to control respectively the geometry and dimensions of the resulting structures. By exploiting the interactions of nonlinear beams, it is moreover possible to configure additional structural complexity. Furthermore, by coupling epoxide polymerization with the simultaneous reduction of gold salts, it is possible to generate 3D structures containing a homogeneous dispersion of Au nanoparticles. To demonstrate the versatility of this technique, various 3D components of the da Vinci catapult were fabricated and assembled into a miniature working device.

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 enseignants0,087
Score d'incertitude au seuil0,831

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 Opus0,010
Tête enseignante GPT0,225
Écart entre enseignants0,215 · 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

Citations6
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAdvanced Materials TechnologiesMême sujetNanofabrication and Lithography TechniquesTravaux en français237 207