Monitoring silicone oil droplets during emulsification in stirred vessel: Effect of dispersed phase concentration and viscosity
Notice bibliographique
Résumé
Abstract Reliable measurement of drop size distributions (DSD) in liquid–liquid dispersions are necessary for industrial process monitoring and control, as well as the in‐depth study of emulsification mechanisms in order to develop accurate and phenomenological models to be used in population balance modelling. Two experimental devices were assessed: an in situ video probe coupled with an automated image analysis algorithm based on a circular Hough‐transform and a focused beam reflectance measurement (FBRM). Their applicability was evaluated for o/w emulsions of silicone oil with mean droplet sizes between 50 and 200 µm. The in situ techniques have been compared to off‐line laser diffraction, which was considered as the standard technique. The automated video treatment algorithm was improved to provide accurate detection rates for dispersed phase concentrations (by weight) ranging between 5% and 10–20% depending on the droplet sizes. The in situ nature of the video probe allows for a much finer temporal resolution during the early times of the emulsification, as well as giving more reliable measurements of not yet stabilised emulsions, when compared to off‐line laser diffraction. The reconstructed DSDs from FBRM data consistently under‐predicted the DSDs given by the other two methods, as it missed the largest droplets in the DSD. The influences of dispersed phase viscosity and concentration on the DSD, and the maximum and mean diameters have been evaluated. As the viscosity and concentration increased, the distributions move away from a classical uni‐modal shape to more complex, multi‐modal distributions due to more complex break‐up phenomena.
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) | 0,000 | 0,000 |
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.
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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».