MétaCan
Menu
Retour à la cohorte
Enregistrement W4400033838 · doi:10.1126/sciadv.adn3289

Scalable weaving of resilient membranes with on-demand superwettability for high-performance nanoemulsion separations

2024· article· en· W4400033838 sur OpenAlexaff
Yangyang Wang, Luis Francisco Villalobos, Lijun Liang, Bo Zhu, Jian Li, Chen Chen, Yunxiang Bai, Chunfang Zhang, Liangliang Dong, Quan‐Fu An, Hong Meng, Yue Zhao, Menachem Elimelech

Notice bibliographique

RevueScience Advances · 2024
Typearticle
Langueen
DomaineMaterials Science
ThématiqueSurface Modification and Superhydrophobicity
Établissements canadiensUniversité de Sherbrooke
Organismes subventionnairesFundamental Research Funds for the Central Universities
Mots-clésWeavingMembraneScalabilityMaterials scienceNanotechnologyWettingComputer scienceOn demandProcess engineeringComposite materialEngineeringChemistryMultimedia

Résumé

récupéré en direct d'OpenAlex

This study leverages the ancient craft of weaving to prepare membranes that can effectively treat oil/water mixtures, specifically challenging nanoemulsions. Drawing inspiration from the core-shell architecture of spider silk, we have engineered fibers, the fundamental building blocks for weaving membranes, that feature a mechanically robust core for tight weaving, coupled with a CO 2 -responsive shell that allows for on-demand wettability adjustments. Tightly weaving these fibers produces membranes with ideal pores, achieving over 99.6% separation efficiency for nanoemulsions with droplets as small as 20 nm. They offer high flux rates, on-demand self-cleaning, and can switch between sieving oil and water nanodroplets through simple CO 2 /N 2 stimulation. Moreover, weaving can produce sufficiently large membranes (4800 cm 2 ) to assemble a module that exhibits long-term stability and performance, surpassing state-of-the-art technologies for nanoemulsion separations, thus making industrial application a practical reality.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,366

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,015
Tête enseignante GPT0,285
Écart entre enseignants0,270 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScience AdvancesMême sujetSurface Modification and SuperhydrophobicityTravaux en français237 207