Microfluidic Droplet-Generation Device with Flexible Walls
Notice bibliographique
Résumé
Controlling droplet sizes is one of the most important aspects of droplet generators used in biomedical research, drug discovery, high-throughput screening, and emulsion manufacturing applications. This is usually achieved by using multiple devices that are restricted in their range of generated droplet sizes. In this paper, a co-flow microfluidic droplet-generation device with flexible walls was developed such that the width of the continuous (C)-phase channel around the dispersed (D)-phase droplet-generating needle can be adjusted on demand. This actuation mechanism allowed for the adjustment of the C-phase flow velocity, hence providing modulated viscous forces to manipulate droplet sizes in a single device. Two distinct droplet-generation regimes were observed at low D-phase Weber numbers, i.e., a dripping regime at high- and medium-channel widths and a plug regime at low-channel widths. The effect of channel width on droplet size was investigated in the dripping regime under three modes of constant C-phase flow rate, velocity, and Capillary number. Reducing the channel width at a constant C-phase flow rate had the most pronounced effect on producing smaller droplets. This effect can be attributed to the combined influences of the wall effect and increased C-phase velocity, leading to a greater impact on droplet size due to the intensified viscous force. Droplet sizes in the range of 175-913 µm were generated; this range was ~2.5 times wider than the state of the art, notably using a single microfluidic device. Lastly, an empirical model based on Buckingham's Pi theorem was developed to predict the size of droplets based on channel width and height as well as the C-phase Capillary and Reynolds numbers.
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 | 0,002 |
| 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 ».