MétaCan
Menu
Retour à la cohorte
Enregistrement W2999700637 · doi:10.3390/mi11010108

Durability and Recoverability of Soft Lithographically Patterned Hydrogel Molds for the Formation of Phase Separation Membranes

2020· article· en· W2999700637 sur OpenAlexaff
Asad Asad, Masoud Rastgar, Hadi Nazaripoor, Mohtada Sadrzadeh, Dan Sameoto

Notice bibliographique

RevueMicromachines · 2020
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMembrane Separation Technologies
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésMembraneMaterials scienceMoldFabricationSelf-healing hydrogelsSolventChemical engineeringPhase (matter)PorosityExtraction (chemistry)CastingChromatographyComposite materialChemistryPolymer chemistry

Résumé

récupéré en direct d'OpenAlex

Hydrogel-facilitated phase separation (HFPS) has recently been applied to make microstructured porous membranes by modified phase separation processes. In HFPS, a soft lithographically patterned hydrogel mold is used as a water content source that initiates the phase separation process in membrane fabrication. However, after each membrane casting, the hydrogel content changes due to the diffusion of organic solvent into the hydrogel from the original membrane solution. The absorption of solvent into the hydrogel mold limits the continuous use of the mold in repeated membrane casts. In this study, we investigated a simple treatment process for hydrogel mold recovery, consisting of warm and cold treatment steps to provide solvent extraction without changing the hydrogel mold integrity. The best recovery result was 96%, which was obtained by placing the hydrogel in a warm water bath (50 °C) for 10 min followed by immersing in a cold bath (23 °C) for 4 min and finally 4 min drying in air. This recovery was attributed to nearly complete solvent extraction without any deformation of the hydrogel structure. The reusability of hydrogel can assist in the development of a continuous membrane fabrication process using HFPS.

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 enseignants0,106
Score d'incertitude au seuil0,302

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 Opus0,019
Tête enseignante GPT0,281
Écart entre enseignants0,262 · 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

Citations9
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMicromachinesMême sujetMembrane Separation TechnologiesTravaux en français237 207