Droplet formation of biological non-Newtonian fluid in T-junction generators. I. Experimental investigation
Notice bibliographique
Résumé
The extension of microfluidics to many bioassay applications requires the ability to work with non-Newtonian fluids. One case in point is the use of microfluidics with blood having different hematocrit levels. This work is the first part of a two-part study and presents the formation dynamics of blood droplets in a T-junction generator under the squeezing regime. In this regime, droplet formation with Newtonian fluids depends on T-junction geometry; however, we found that in the presence of the non-Newtonian fluid such as red blood cells, the formation depends on not only to the channel geometry, but also the flow rate ratio of fluids, and the viscosity of the phases. In addition, we analyzed the impact of the red blood cell concentration on the formation cycle. In this study, we presented the experimental data of the blood droplet evolution through the analysis of videos that are captured by a high-speed camera. During this analysis, we tracked several parameters such as droplet volume, spacing between droplets, droplet generation frequency, flow conditions, and geometrical designs of the T junction. Our analysis revealed that, unlike other non-Newtonian fluids, where the fourth stage exists (stretching stage), the formation cycle consists of only three stages: lag, filling, and necking stages. Because of the detailed analysis of each stage, a mathematical model can be generated to predict the final volume of the blood droplet and can be utilized as a guide in the operation of the microfluidic device for biochemical assay applications; this is the focus of the second part of this study [Phys. Rev. E 105, 025106 (2022)10.1103/PhysRevE.105.025106].
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 ».