MétaCan
Menu
Retour à la cohorte
Enregistrement W3091587757 · doi:10.1002/smll.202003612

Tunable Harmonic Flow Patterns in Microfluidic Systems through Simple Tube Oscillation

2020· article· en· W3091587757 sur OpenAlexfundno aff
Peter Thurgood, Sergio Aguilera Suarez, Elena Pirogova, Aaron R. Jex, Karlheinz Peter, Sara Baratchi, Khashayar Khoshmanesh

Notice bibliographique

RevueSmall · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueMicrofluidic and Bio-sensing Technologies
Établissements canadiensnon disponible
Organismes subventionnairesNational Health and Medical Research CouncilMedical Research CouncilAustralian Centre for Electromagnetic Bioeffects ResearchRMIT UniversityAustralian Research CouncilOntario Ministry of Natural Resources and Forestry
Mots-clésMicrofluidicsOscillation (cell signaling)HarmonicVortexSimple harmonic motionObstacleFlow (mathematics)Materials scienceNanotechnologyViscosityAcousticsComputer scienceMechanicsPhysicsChemistryClassical mechanics

Résumé

récupéré en direct d'OpenAlex

Generation of tunable harmonic flows at low cost in microfluidic systems is a persistent and significant obstacle to this field, substantially limiting its potential to address major scientific questions and applications. This work introduces a simple and elegant way to overcome this obstacle. Harmonic flow patterns can be generated in microfluidic structures by simply oscillating the inlet tubes. Complex rib and vortex patterns can be dynamically modulated by changing the frequency and magnitude of tube oscillation and the viscosity of liquid. Highly complex rib patterns and synchronous vortices can be generated in serially connected microfluidic chambers. Similar dynamic patterns can be generated using whole or diluted blood samples without damaging the sample. This method offers unique opportunities for studying complex fluids and soft materials, chemical synthesis of various compounds, and mimicking harmonic flows in biological systems using compact, tunable, and low-cost 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.

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 enseignants0,279
Score d'incertitude au seuil0,648

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 Opus0,033
Tête enseignante GPT0,206
Écart entre enseignants0,173 · 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

Citations11
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSmallMême sujetMicrofluidic and Bio-sensing TechnologiesTravaux en français237 207