Facile Microembossing Process for Microchannel Fabrication for Nanocellulose-Paper-Based Microfluidics
Notice bibliographique
Résumé
Nanofibrillated cellulose paper (nanopaper) has gained growing interest as one promising substrate material for paper-based microfluidics, thanks to its ultrasmooth surface, high optical transparency, uniform nanofiber matrix with nanoscale porosity, and tunable chemical properties. Recently, research on nanopaper-based microfluidics has quickly advanced; however, the current technique of patterning microchannels on nanopaper (i.e., 3D printing, spray coating, or manual cutting and sticking), that is fundamental for application development, still has some limitations, such as ease-of-contamination, and more importantly, only enabling millimeter-scale channels. This paper reports a facile process that leverages the simple operations of microembossing with the convenient plastic micro-molds, for the first time, patterning nanopaper microchannels downing to 200 μm, which is 4 times better than the existing methods and is time-saving (<45 mins). We also optimized the patterning parameters and provided one quick look-up table as the guideline for application developments. As proof-of-concept, we first demonstrated two fundamental microfluidic devices on nanopaper, the laminar-mixer and droplet generator, and two functional nanopaper-based analytical devices (NanoPADs) for glucose and Rhodamine B (RhB) sensing based on optical colorimetry and surface-enhanced Raman spectroscopy, respectively. The two NanoPADs showed outstanding performance with low limits of detection (2 mM for glucose and 19fM for RhB), which are 1.25× and 500× fold improvement compared to the previously reported values. This can be attributed to our newly developed highly accurate microchannel patterning process that enables high integration and fine-tunability of the NanoPADs along with the superior optical properties of nanopaper.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».