MétaCan
Menu
Retour à la cohorte
Enregistrement W2964524264 · doi:10.1021/acsnano.9b04129

Liquid-Infused Surfaces: A Review of Theory, Design, and Applications

2019· review· en· W2964524264 sur OpenAlexafffund
Martin Villegas, Yuxi Zhang, Noor Abu Jarad, Leyla Soleymani, Tohid F. Didar

Notice bibliographique

RevueACS Nano · 2019
Typereview
Langueen
DomaineMaterials Science
ThématiqueSurface Modification and Superhydrophobicity
Établissements canadiensMcMaster University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésNanotechnologyWettingMaterials scienceBiofoulingSurface energyMechanical engineeringComputer scienceBiochemical engineeringEngineeringChemistryComposite material

Résumé

récupéré en direct d'OpenAlex

plant, a frontier of devices has emerged with unmatched capabilities. Liquid-infused surfaces (LISs), particularly known for their liquid-repelling behavior under low tilting angles (<5°), have demonstrated a plethora of applications in medical, marine, energy, industrial, and environmental materials. This review presents recent developments of LIS technology and its prospective to define the future direction of this technology in solving tomorrow's real-life challenges. First, an introduction to the different models explaining the physical phenomena of these surfaces, their wettability, and viscous-dependent frictional forces is discussed. Then, an outline of different emerging strategies required to fabricate a stable liquid-infused interface is presented, including different substrates, lubricants, surface chemistries, and design parameters which can be tuned depending on the application. Furthermore, applications of LIS coatings in the areas of anticorrosion, antifouling, anti-icing, self-healing, droplet manipulation, and biomedical devices will be presented followed by the limitations and future direction of this technology.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,079
Tête enseignante GPT0,334
Écart entre enseignants0,255 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations452
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueACS NanoMême sujetSurface Modification and SuperhydrophobicityTravaux en français237 207