MétaCan
Menu
Retour à la cohorte
Enregistrement W2979667979 · doi:10.1149/2.0042003jes

Review—Nanomechanical Calorimetric Infrared Spectroscopy using Bi-Material Microfluidic Cantilevers

2019· article· en· W2979667979 sur OpenAlexafffund
Abdullah N. Alodhayb, Faheem Khan, Hashem Etayash, Thomas Thundat

Notice bibliographique

RevueJournal of The Electrochemical Society · 2019
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueMechanical and Optical Resonators
Établissements canadiensUniversity of Alberta
Organismes subventionnairesCanada Excellence Research Chairs, Government of Canada
Mots-clésAnalyteCantileverMicrofluidicsInfraredInfrared spectroscopySpectroscopyMaterials scienceBendingSelectivityAnalytical Chemistry (journal)WavelengthChemistryNanotechnologyOptoelectronicsOpticsChromatographyComposite materialOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Receptor-free, in-situ sensing of chemical and biological analytes with high selectivity and sensitivity is a highly sought-after goal. While a resonating microfluidic, hollow channel microcantilever is an ideal platform for sensing pico liters (pL) of liquid analytes based on changes in the specific gravity it does not offer any chemical selectivity. Fabricating these hollow channel cantilevers as bi-material beams allows them to be extremely sensitive to small changes in temperature as well. When a liquid confined in such a cantilever is illuminated with tunable IR radiation, it undergoes bending whenever the liquid analyte absorbs the light at a particular wavelength. Monitoring the cantilever bending as a function of illuminating wavelength provides IR spectrum of the analyte confined in the channel. This method combines the selectivity of IR spectroscopy and the sensitivity of a cantilever for molecular recognition of pL volume of liquid samples. This nanomechanical calorimetric infrared spectroscopy is an ideal technique for physical and chemical characterization of pico liter volumes of liquid analytes.

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 candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,013
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)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,008
Tête enseignante GPT0,243
Écart entre enseignants0,235 · 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

Citations11
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of The Electrochemical SocietyMême sujetMechanical and Optical ResonatorsTravaux en français237 207