MétaCan
Menu
Retour à la cohorte
Enregistrement W2964822232 · doi:10.1109/jsen.2019.2932414

Optofluidic Dissolved Oxygen Sensing With Sensitivity Enhancement Through Multiple Reflections

2019· article· en· W2964822232 sur OpenAlexafffund
Eric Mahoney, Huan‐Hsuan Hsu, Fei Du, Bo Xiong, P. Ravi Selvaganapathy, Qiyin Fang

Notice bibliographique

RevueIEEE Sensors Journal · 2019
Typearticle
Langueen
DomaineChemical Engineering
ThématiqueAnalytical Chemistry and Sensors
Établissements canadiensMcMaster University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésMaterials scienceSensitivity (control systems)FluorescenceTotal internal reflectionQuenching (fluorescence)Oxygen sensorOptoelectronicsExcitationOpticsOxygenReflection (computer programming)ChemistryElectronic engineeringComputer science

Résumé

récupéré en direct d'OpenAlex

The development of compact and low-cost dissolved oxygen (DO) sensors is essential for the continuous in situ monitoring of environmental water quality and wastewater treatment processes. The optical detection of dynamic and reversible quenching of fluorescent dyes by oxygen has been used for DO sensing. In this paper, we have optimized a multilayer optofluidic device based on the measurement of fluorescence quenching in a Ruthenium-based oxygen sensitive dye by employing total internal reflection (TIR) of the excitation light to achieve sensitivity enhancement for the detection of 0-20-ppm DO in water. The incident angles of light and sensitive layer thickness are optimized experimentally in order to increase the path length of light in the sensitive layer of the device through multiple reflections. A model is developed to demonstrate how light propagates through different layers of the device at varying angles of excitation and to describe the mechanism of fluorescence generation for each of the types of TIR observed. The design principles identified in this paper may be applied to the development and optimization of new multilayered optofluidic sensors by employing TIR for sensitivity enhancement.

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 candidatesMéta-épidémiologie (sens strict)
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 enseignants0,052
Score d'incertitude au seuil1,000

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 recherche0,0000,001
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 Opus0,021
Tête enseignante GPT0,264
Écart entre enseignants0,244 · 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.

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

Citations21
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Sensors JournalMême sujetAnalytical Chemistry and SensorsTravaux en français237 207