Growth Dynamics During Dropwise Condensation on Nanostructured Superhydrophobic Surfaces
Notice bibliographique
Résumé
Condensation on superhydrophobic nanostructured surfaces offers new opportunities for enhanced energy conversion, efficient water harvesting, and high performance thermal management. Such surfaces are designed to be Cassie stable, which minimize contact line pinning and allow for passive shedding of condensed water droplets at sizes smaller than the capillary length. In this work, we investigated in situ water condensation on superhydrophobic nanostructured surfaces using environmental scanning electron microscopy (ESEM). The “Cassie stable” surfaces consisted of silane coated silicon nanopillars with diameters of 300 nm, heights of 6.1 μm, and spacings of 2 μm, but allowed droplets of distinct suspended (S) and partially wetting (PW) morphologies to coexist. With these experiments combined with thermal modeling of droplet behavior, the importance of initial growth rates and droplet morphology on heat transfer is elucidated. The effect of wetting morphology on heat transfer enhancement is highlighted with observed 6× higher initial growth rate of PW droplets compared to S droplets. Consequently, the heat transfer of the PW droplet is 4–6× higher than that of the S droplet. To compare the heat transfer enhancement, PW and S droplet heat transfer rates are compared to that of a flat superhydrophobic silane coated surface, showing a 56% enhancement for the PW morphology, and 71% degradation for the S morphology. This study provides insight into importance of local wetting morphology on droplet growth rate during superhydrophobic condensation, as well as the importance of designing CB stable surfaces with PW droplet morphologies to achieve enhanced heat transfer during dropwise condensation.
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) | 0,003 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».