MétaCan
Menu
Retour à la cohorte
Enregistrement W2075069935 · doi:10.1115/icnmm2011-58188

Understanding the Role of Surface Micro-Texture on the Delayed Freezing of Drops on Cold Surfaces

2011· article· en· W2075069935 sur OpenAlexafffund
Guoping Fang, Yadollah Maham, Alidad Amirfazli

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineMaterials Science
ThématiqueSurface Modification and Superhydrophobicity
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésSurface roughnessDrop (telecommunication)Surface finishDifferential scanning calorimetryMaterials scienceIcingFreezing pointComposite materialThermodynamicsMeteorologyMechanical engineering

Résumé

récupéré en direct d'OpenAlex

Freezing of drops on surfaces has many consequences in icing of various systems, e.g. micro-condensers. It is known that when a water drop is placed on a cold surface and the surface temperature is reduced, it will not necessarily freeze when the surface temperature has reached zero degrees Celsius. The delay in freezing of a drop on a cold surface is not well understood; especially the effect that micro- and nano-texture of a surface has this delay. In this study, freezing and melting points of water drops on various micro-textured surfaces, i.e. superhydrophilic, and superhydrophobic have been measured by differential scanning calorimetry (DSC). A comparison of the experimental results with smooth hydrophilic and hydrophobic surfaces allows us to understand the roles of surface chemistry and roughness in freezing of drops in contact with such surfaces. It is found that when the surface chemistry is hydrophobic, roughness will delay the freezing and a drop may not freeze until the surface temperature has been lower than −15 ° C. On the contrary, for hydrophilic surfaces, roughness will shorten the freezing delay and facilitate formation of ice on the surface. This can explain the benefit of the superhydrophobic surfaces (SHS) in preventing ice formation.

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 candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,050
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
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)0,0010,000

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 Opus0,094
Tête enseignante GPT0,237
Écart entre enseignants0,143 · 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.

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

Citations1
Publié2011
Routes d'admission2
Résumé présentoui

Explorer davantage

Même sujetSurface Modification and SuperhydrophobicityTravaux en français237 207