MétaCan
Menu
Retour à la cohorte
Enregistrement W2079108395 · doi:10.1021/la027083c

Effect of Membrane Surface Roughness on Colloid−Membrane DLVO Interactions

2003· article· en· W2079108395 sur OpenAlexaff
Eric M.V. Hoek, Subir Bhattacharjee, Menachem Elimelech

Notice bibliographique

RevueLangmuir · 2003
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMembrane Separation Technologies
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésDLVO theoryMembraneColloidSurface roughnessSurface finishChemical physicsParticle (ecology)Deposition (geology)Materials scienceNanotechnologySurface energyParticle depositionInteraction energyChemistryComposite materialPhysical chemistryMoleculeGeology

Résumé

récupéré en direct d'OpenAlex

Recent experimental investigations suggest that interaction of colloidal particles with polymeric membrane surfaces is influenced by membrane surface morphology (roughness). To better understand the consequences of surface roughness on colloid deposition and fouling, it is imperative that models for predicting the Derjaguin−Landau−Verwey−Overbeek (DLVO) interaction energy between colloidal particles and rough membrane surfaces be developed. We present a technique of reconstructing the mathematical topology of polymeric membrane surfaces using statistical parameters derived from atomic force microscopy roughness analyses. The surface element integration technique is used to calculate the DLVO interactions between spherical colloidal particles and the simulated (reconstructed) membrane surfaces. Predictions show that the repulsive interaction energy barrier between a colloidal particle and a rough membrane is lower than the corresponding barrier for a smooth membrane. The reduction in the energy barrier is strongly correlated with the magnitude of surface roughness. It is further suggested that the valleys created by the membrane surface roughness produce wells of low interaction energy in which colloidal particles may preferentially deposit.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
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 Opus0,010
Tête enseignante GPT0,267
Écart entre enseignants0,256 · 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 source (Gemma direct ou Codex distillé), 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

Citations486
Publié2003
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueLangmuirMême sujetMembrane Separation TechnologiesTravaux en français237 207