High‐Resolution 3D Printing of Stretchable Granular Hydrogel Filaments for Fabricating Robust and Durable Tissue Phantoms with Tunable Mechanical Strength
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 découle