Parallel Congruent Electrode Sensor to Detect and Characterize Droplets in a T-Junction Droplet Generator
Notice bibliographique
Résumé
In this article, we present a simple capacitive droplet sensing method that works with an on-chip droplet generator with real-time sensing capability of droplet composition and size. The sensing system works with the aid of a simple pair of electrodes along the channel wall forming a parallel congruent electrode (PCE)-based capacitor sensor. Using a PCE capacitor, we were able to characterize the droplet based on the material and its size. The droplet generator was classical T-junction-based and was regulated by our latest pneumatic-based control process. We present a numerical model that can simultaneously solve droplet generation and real-time capacitive sensing. The numerical model solves laminar two-phase flow, phase field, and electrostatics multiphysics simultaneously to predict droplet generation and capacitive sensing. We utilized the model to predict the best operating and geometric parameters. Our simulation showed that the electrode width to droplet size ratio of 1:0.95 was the best proportion for sensing droplet movement. This was verified experimentally. The two electrodes in the PCE position outperformed five electrodes in the coplanar interdigital electrode (IE) in the position for the same set of droplet generation. The change in capacitance value was observed using the PCE sensor for the variation in dispersed material and droplet size. The resolution of the sensing was 0.012 pF. The multilayer droplet generation, with simple and simultaneous sensing as well as regulation capability presented in this article, can be useful for the development of controls and sensing for precision droplet generators.
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 | 0,001 | 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 ».