Wetting Dynamics of Nanoparticle Dispersions: From Fully Spreading to Non-sticking and the Deposition of Nanoparticle-Laden Surface Droplets.
Notice bibliographique
Résumé
Controlled transport of liquid droplets on solid surfaces is critical in many practical applications, such as self-cleaning surfaces, coating, drug delivery, and agriculture. Non-adhesive liquid drops levitate on solid surfaces; therefore, they are highly mobile and directed toward desired locations by external stimuli. Although research on liquid-repellent surfaces has proliferated, the existing methods are still limited to creating surface roughness or coating the liquid droplets. Here, we create non-contact aqueous drops on hydrophilic surfaces in an oleic environment and use them to deposit submicrometer droplets encapsulating nanoparticles on solid surfaces. A glass surface is buried under an oil phase that contains a high concentration of Span 80 surfactants, and a drop of silica nanoparticle dispersion is released on the solid surface. We study the effect of surfactant concentration in oil and nanoparticle concentration in water on wetting dynamics and report a plethora of droplet spreading regimes from fully wetting to non-wetting. We find a threshold Span 80 concentration above which surfactant assemblies are formed on the solid and prevent the direct contact of the drop with the surface. At the same time, water-in-oil emulsions are generated at the drop-oil interface. The drop moves and leaves a trace of emulsions with encapsulated nanoparticles on the solid. We demonstrate the possibility of local surface coating with hydrophilic nanoparticles in a hydrophobic medium. The developed methodology in this study is a generic approach facilitating the droplet patterning in numerous applications, from pharmaceutical polymetric carriers to the formulation of cosmetics, insecticides, and biomedical diagnoses.
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 ».