MétaCan
Menu
Retour à la cohorte
Enregistrement W1606202355 · doi:10.1063/1.2210402

Magnetic Resonance Imaging of Acoustic Streaming in Cavitating Fluid

2006· article· en· W1606202355 sur OpenAlexafffund
Igor V. Mastikhin

Notice bibliographique

RevueAIP conference proceedings · 2006
Typearticle
Langueen
DomaineMaterials Science
ThématiqueUltrasound and Cavitation Phenomena
Établissements canadiensUniversity of New Brunswick
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésAcoustic streamingCavitationDispersion (optics)BubbleCoalescence (physics)Materials scienceAcoustic waveAcoustic dispersionAcoustic attenuationAcousticsMagnetic fieldAcoustic resonanceResonance (particle physics)AttenuationNuclear magnetic resonanceMechanicsOpticsPhysicsUltrasonic sensorAtomic physics

Résumé

récupéré en direct d'OpenAlex

Acoustic streaming (AS) is a bulk flow caused by attenuation of an acoustic wave propagating in the medium. When cavitating bubbles are present in the fluid, they actively absorb acoustic waves, generating acoustic streaming. Therefore, measurements of acoustic streaming can provide information on the cavitation field. In this work, Magnetic Resonance Imaging was applied to studies of cavitating fluid in a standing acoustic wave at an acoustic frequency of 31kHz. A spin echo Pulsed Field Gradient sequence was employed to sensitize the measurement to motion. Velocity spectra, kinetic energy maps and maps of the hydrodynamic dispersion coefficient were obtained for air‐saturated water, water with surfactant ([SDS] = 1 mM) and water with SDS/NaCl ([NaCl] = 0.1 M). Cavitation bubbles cause an increase in dispersion coefficient and acoustic streaming. These effects are not observed in degassed samples. Streaming was most developed in samples with surfactants, which also demonstrate a pronounced anisotropy of the dispersion coefficient. Stabilization of the bubble surface and reduction of bubble coalescence by the surfactant can explain the observed differences.

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)0,000
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,682
Score d'incertitude au seuil0,597

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
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 Opus0,010
Tête enseignante GPT0,227
Écart entre enseignants0,217 · 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

Citations0
Publié2006
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAIP conference proceedingsMême sujetUltrasound and Cavitation PhenomenaTravaux en français237 207