Fabrication of a 3D Multi-Depth Reservoir Micromodel in Borosilicate Glass Using Femtosecond Laser Material Processing
Notice bibliographique
Résumé
Micromodels are ideal candidates for microfluidic transport investigations, and they have been used for many applications, including oil recovery and carbon dioxide storage. Conventional fabrication methods (e.g., photolithography and chemical etching) are beset with many issues, such as multiple wet processing steps and isotropic etching profiles, making them unsuitable to fabricate complex, multi-depth features. Here, we report a simpler approach, femtosecond laser material processing (FLMP), to fabricate a 3D reservoir micromodel featuring 4 different depths-35, 70, 140, and 280 µm, over a large surface area (20 mm × 15 mm) in a borosilicate glass substrate. The dependence of etch depth on major processing parameters of FLMP, i.e., average laser fluence (LFav), and computer numerically controlled (CNC) processing speed (PSCNC), was studied. A linear etch depth dependence on LFav was determined while a three-phase exponential decay dependence was obtained for PSCNC. The accuracy of the method was investigated by using the etch depth dependence on PSCNC relation as a model to predict input parameters required to machine the micromodel. This study shows the capability and robustness of FLMP to machine 3D multi-depth features that will be essential for the development, control, and fabrication of complex microfluidic geometries.
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 ».