Low-Cost Resistive Microfluidic Salinity Sensor for High-Precision Detection of Drinking Water Salt Levels
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Rapid, inexpensive, and precise water salinity testing remains indispensable in water quality monitoring applications. Despite many sensors and commercialized devices to monitor seawater salinity, salt detection and quantification at very low levels of drinking water (below 120 ppm) have been overlooked. In this paper, we report on optimization of a low-cost microfluidic sensor to measure water salinity in the range of 1–120 ppm. The proposed design employs two copper microbridge wires suspended orthogonally in a PDMS microchannel to measure salinity based on the electrical resistance between the wires. The preliminary design of the sensor microchannel with a rectangular cross-section width ( w ) of 900 μm and height ( h ) of 500 μm could measure the water salinity in the range of 1–20 ppm in less than 1 min with detection sensitivity, limit of detection (LOD), and limit of quantification (LOQ) of 17.1 ohm/ohm·cm, 0.31 ppm, and 0.37 ppm, respectively. Data from the preliminary design was used for developing and validating a numerical model which was subsequently used for parametric studies and optimization to improve the sensor’s performance. The optimized design demonstrated an order of magnitude increase in sensitivity (385 ohm/ohm·cm), a 6-fold wider detection range (1–120 ppm), and a 15-fold enhancement in miniaturization of the microfluidic channel ( w = 200 μm and h = 150 μm) with LOD and LOQ of 0.39 and 0.44 ppm, respectively. In the future, the sensor can be integrated into a hand-held device to remove present impediments for low-cost and ubiquitous salinity surveillance of drinking water.
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 ».