Particle Tracking and Micromixing Performance Characterization with a Mobile Device
Notice bibliographique
Résumé
Strategies to stir and mix reagents in microfluid devices have evolved concomitantly with advancements in manufacturing techniques and sensing. While there is a large array of reported designs to combine and homogenize liquids, most of the characterization has been focused on setups with two inlets and one outlet. While this configuration is helpful to directly evaluate the effects of features and parameters on the mixing degree, it does not portray the conditions for experiments that involve more than two substances required to be subsequently combined. In this work, we present a mixing characterization methodology based on particle tracking as an alternative to the most common approach to measure homogeneity using the standard deviation of pixel intensities from a grayscale image. The proposed algorithm is implemented on a free and open-source mobile application (MIQUOD) for Android devices, numerically tested on COMSOL Multiphysics, and experimentally tested on a bidimensional split and recombine micromixer and a three-dimensional micromixer with sinusoidal grooves for different Reynolds numbers and geometrical features for samples with fluids seeded with red, blue, and green microparticles. The application uses concentration field data and particle track data to evaluate up to eleven performance metrics. Furthermore, with the insights from the experimental and numerical data, a mixing index for particles (mp) is proposed to characterize mixing performance for scenarios with multiple input reagents.
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 ».