MétaCan
Menu
Retour à la cohorte
Enregistrement W2082293699 · doi:10.1252/jcej.11we031

Influence of Cavitation on Ethanol Enrichment in an Ultrasonic Atomization System

2011· article· en· W2082293699 sur OpenAlexaff
Kenji Suzuki, Deepak M. Kirpalani, Susumu Nii

Notice bibliographique

RevueJOURNAL OF CHEMICAL ENGINEERING OF JAPAN · 2011
Typearticle
Langueen
DomaineEngineering
ThématiqueElectrohydrodynamics and Fluid Dynamics
Établissements canadiensNational Research Council Canada
Organismes subventionnairesnon disponible
Mots-clésMistEthanolChemistryCavitationUltrasonic sensorAlcoholAnalytical Chemistry (journal)ChromatographyThermodynamicsOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Ethanol was separated from aqueous solutions through ultrasonic atomization. Ethanol enrichment was evaluated by determining ethanol concentration in condensates collected from atomized mist and vapor. The amount of collected mist and vapor accorded with the amount of liquid left from the atomization column. In the limited range of ethanol feed concentration below 30 mol%, the ethanol concentration in the condensates was affected by ultrasonic parameters such as frequency and input power. Ethanol enrichment was enhanced at higher frequencies and lower input power. The effect of ultrasonic parameters on ethanol enrichment was interpreted from the viewpoint of cavitation. Potassium iodide oxidation was conducted to examine the occurrence of cavitation, and the number of violently collapsing bubbles. The use of higher frequency and lower input power, which corresponded to enhance ethanol enrichment, resulted in a decrease in KI reactivity. This trend suggests that violently collapsing bubbles enhanced fragmentation of the bulk liquid where no separation mechanism works. Assuming that the surface excess of ethanol plays a significant role in the separation, possible routes of ethanol transfer from liquid to mist or vapor are suggested.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
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 enseignants0,002
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
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 Opus0,005
Tête enseignante GPT0,189
Écart entre enseignants0,184 · 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

Citations10
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJOURNAL OF CHEMICAL ENGINEERING OF JAPANMême sujetElectrohydrodynamics and Fluid DynamicsTravaux en français237 207