Engineering 3D parallelized microfluidic droplet generators with equal flow profiles by computational fluid dynamics and stereolithographic printing
Notice bibliographique
Résumé
Microfluidic droplet generators excel in generating monodisperse micrometer-sized droplets and particles. However, the low throughput of conventional droplet generators hinders their clinical and industrial translation. Current approaches to parallelize microdevices are challenged by the two-dimensional nature of the standard fabrication methods. Here, we report the facile production of three-dimensionally (3D) parallelized microfluidic droplet generators consisting of stacked and radially multiplexed channel designs. Computational fluid dynamics simulations form the design basis for a microflow distributor that ensures similar flow rates through all droplet generators. Stereolithography is the selected technique to fabricate microdevices, which enables the manufacturing of hollow channels with dimensions as small as 50 μm. The microdevices could be operated up to 4 bars without structural damage, including deformation of channels, or leakage of the on-chip printed Luer-Lok type connectors. The printed microdevices readily enable the production of water-in-oil emulsions, as well as polymer containing droplets that act as templates for both solid and core-shell hydrogel microparticles. The cytocompatibility of the 3D printed device is demonstrated by encapsulating mesenchymal stem cells in hydrogel microcapsules, which results in the controllable formation of stem cell spheroids that remain viable and metabolically active for at least 21 days. Thus, the unique features of stereolithography fabricated microfluidic devices allow for the parallelization of droplet generators in a simple yet effective manner by enabling the realization of (complex) 3D designs.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».