A novel abrasive water jet machining technique for rapid fabrication of three-dimensional microfluidic components
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Microfluidic lab-on-a-chip devices are usually fabricated using replica molding, with poly(dimethylsiloxane) (PDMS) casting on a mold. Most common techniques used to fabricate microfluidic molds, such as photolithography and soft lithography, require costly facilities such as a cleanroom, and complicated steps, especially for the fabrication of three-dimensional (3D) features. For example, an often-desired 3D microchannel feature consists of intersecting channels with depth variations. This type of 3D flow focusing geometry has applications in flow cytometry and droplet generation. Various manufacturing techniques have recently been developed for the rapid fabrication of such 3D microfluidic features. In this paper, we describe a new method of mold fabrication that utilizes water jet cutting technology to fabricate free-standing structures on mild steel sheets to make a mold for PDMS casting. As a proof-of-concept, we use this fabrication technique to make a PDMS chip that has a 3D flow focusing junction, an inlet for the sample fluid, two inlets for the sheath fluid, and an outlet. The flow focusing junction is patterned into the PDMS slab with an abrupt, nearly stepwise change to the depth of the microchannel junction. We use confocal microscopy to visualize the 3D flow focusing of a sample flow using this geometry, and we also use the same geometry to generate water-in-oil droplets. This alternative approach to create microfluidic molds is versatile and may find utility in reducing the cost and complexity involved in fabricating 3D features in microfluidic devices.
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.
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 | 0,001 |
| 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 découle