High‐Resolution 3D Printing of Stretchable Granular Hydrogel Filaments for Fabricating Robust and Durable Tissue Phantoms with Tunable Mechanical Strength
Notice bibliographique
Résumé
Abstract Granular hydrogels are a promising class of 3D‐printable inks but often suffer from low printing resolution due to large microgel sizes (>100 µm) and weak mechanical performance from lower packing density. To overcome these limitations, a novel whey protein microgels‐based granular hydrogel (WMGH) is developed, consisting of uniform, size‐controllable microgels (1, 6, and 20 µm) via protein‐polysaccharide segregative phase separation. The smaller microgels enable WMGH to stretch like continuous liquid inks by adjusting printing speed and pressure, achieving high‐resolution 3D‐printing (200 µm) with minimal ink spreading (≈5%) using a 25G nozzle (260 µm). This allows the fabrication of intricate structures like human ear and aortic valve models. Incorporating a polyacrylamide (PAM) second percolating network transforms WMGH inks into double‐network hydrogels (DN‐WMGH), showing up to 36 fold increase in toughness (1.45 MJ m−3) compared to PAM hydrogels. Controlling microgel size provides a new approach for tailoring mechanical strength (6–300 kPa) while maintaining durability, exhibiting full recovery after 100 tensile cycles at 100% strain. DN‐WMGH from biopolymers demonstrated good compatibility. This high‐resolution 3D‐printing of robust DN‐WMGH replicates the mechanical properties of various tissues, from brain (<10 kPa) to intestine (≈300 kPa), demonstrating new possibilities for tissue‐mimicking applications in surgical training, implantable devices, and drug‐delivery systems.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».