Self-propelled jumping upon drop coalescence on Leidenfrost surfaces
Notice bibliographique
Résumé
Abstract Self-propelled jumping upon drop coalescence has been observed on a variety of textured superhydrophobic surfaces, where the jumping motion follows the capillary–inertial velocity scaling as long as the drop radius is above a threshold. In this paper, we report an experimental study of the self-propelled jumping on a Leidenfrost surface, where the heated substrate gives rise to a vapour layer on which liquid drops float. For the coalescence of identical water drops, we have tested initial drop radii ranging from 20 to $\def \xmlpi #1{}\def \mathsfbi #1{\boldsymbol {\mathsf {#1}}}\let \le =\leqslant \let \leq =\leqslant \let \ge =\geqslant \let \geq =\geqslant \def \Pr {\mathit {Pr}}\def \Fr {\mathit {Fr}}\def \Rey {\mathit {Re}}500\ \mu \mathrm{m}$ , where the lower bound is related to the spontaneous takeoff of individual drops and the upper bound to gravitational effects. Regardless of the approaching velocity prior to coalescence, the measured jumping velocity is around 0.2 when scaled by the capillary–inertial velocity. This constant non-dimensional velocity holds for the experimentally accessible range of drop radii, and we have found no cutoff radius for the scaling, in contrast to prior experiments on textured superhydrophobic surfaces. The Leidenfrost experiments quantitatively agree with our numerical simulations of drop coalescence on a flat surface with a contact angle of 180°, suggesting that the cutoff is likely to be due to drop–surface interactions unique to the textured superhydrophobic surfaces.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».