A novel approach to determining the hydrodynamic resistance of droplets in microchannels using active control and grey-box system identification
Notice bibliographique
Résumé
Abstract Inaccurate prediction of droplet hydrodynamic resistance has a profound impact on droplet chip performance and lengthens the iterative design process. Previous studies measuring droplet resistance use various approaches such as interface comparison to quantify flow rate, and pressure taps; all these methods are classified as passive. Although each study supports well their own findings, the wide variety of conditions such as channel geometry and use of surfactant in combination with the difficulty in quantifying the droplet resistance leads to poor consensus across the different studies. Overall guidelines would be broadly beneficial to the community, but are currently fairly crude, with a rule of thumb of 2 to 5 times resistance increase. The active droplet control platform previously developed enables a novel approach that is herein confirmed as promising. This proof-of-concept study focuses on verifying this approach that employs a system identification method to determine the hydrodynamic resistance of a channel containing a single droplet, from which the droplet resistance is retrieved. This method has the potential to be further applied to a large variety of conditions, and most importantly, to non-Newtonian fluids once key limitations are overcome to improve measurement resolution. The current results qualitatively agree with the literature and demonstrate the promising future for this novel active approach to quantifying droplet resistance.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».