MétaCan
Menu
Retour à la cohorte
Enregistrement W3014183725 · doi:10.3390/mi11040373

Structural Stability of Optofluidic Nanostructures in Flow-Through Operation

2020· article· en· W3014183725 sur OpenAlexafffund
Yazan Bdour, Juan Gomez-Cruz, Carlos Escobedo

Notice bibliographique

RevueMicromachines · 2020
Typearticle
Langueen
DomaineEngineering
ThématiquePlasmonic and Surface Plasmon Research
Établissements canadiensQueen's University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaConsejo Nacional de Ciencia y TecnologíaCanada Foundation for Innovation
Mots-clésDeflection (physics)Materials scienceOffset (computer science)Surface plasmon resonanceMicrofluidicsNanostructureFinite element methodFluid–structure interactionNanotechnologyMicroelectromechanical systemsOptoelectronicsOpticsComputer scienceStructural engineeringPhysicsEngineeringNanoparticle

Résumé

récupéré en direct d'OpenAlex

Optofluidic sensors based on periodic arrays of subwavelength apertures that support surface plasmon resonance can be employed as both optical sensors and nanofluidic structures. In flow-through operation, the nanoapertures experience pressure differences across the substrate in which they are fabricated, which imposes the risk for structural failure. This work presents an investigation of the deflection and structural stability of nanohole array-based optofluidic sensors operating in flow-through mode. The analysis was approached using experiments, simulations via finite element method, and established theoretical models. The results depict that certain areas of the sensor deflect under pressure, with some regions suffering high mechanical stress. The offset in the deflection values between theoretical models and actual experimental values is overturned when only the effective area of the substrate, of 450 µm, is considered. Experimental, theoretical, and simulation results suggest that the periodic nanostructures can safely operate under trans-membrane pressures of up to 20 psi, which induce deflections of up to ~20 μm.

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 enseignants0,312
Score d'incertitude au seuil0,470

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 Opus0,022
Tête enseignante GPT0,247
Écart entre enseignants0,224 · 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

Citations5
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMicromachinesMême sujetPlasmonic and Surface Plasmon ResearchTravaux en français237 207