MétaCan
Menu
Retour à la cohorte
Enregistrement W2168559109 · doi:10.1002/aic.14331

Magnetically induced agitation in liquid‐liquid‐magnetic nanoparticle emulsions: Potential for process intensification

2013· article· en· W2168559109 sur OpenAlexafffund
Olivier Gravel, Pouya Hajiani, Larachi Faïçal

Notice bibliographique

RevueAIChE Journal · 2013
Typearticle
Langueen
DomaineEngineering
ThématiqueCharacterization and Applications of Magnetic Nanoparticles
Établissements canadiensUniversité Laval
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanada Research Chairs
Mots-clésFerrofluidMagnetic nanoparticlesMixing (physics)NanoparticleMagnetic fieldMaterials scienceChemical engineeringChemical physicsNanotechnologyMechanicsChemistryPhysicsEngineering

Résumé

récupéré en direct d'OpenAlex

Microscopic mixing using magnetic nanoparticles (MNP) unveils exciting ramifications for process intensification in chemical engineering. This study explores the use of oil‐in‐water MNP emulsions to achieve mixing in a nonmagnetic continuous phase tantamount to that occurring in equivalent dilute ferrofluid suspensions. To assess the technique, measurements of the torque exerted by ferrofluid emulsions and suspensions of equal magnetic content were performed in rotating, oscillating, and static magnetic fields. Results show that momentum transfer is fairly alike in amplitude and proportionality for the two types of systems of equal magnetic content under the three types of magnetic fields. This implies that momentum of spinning nanoparticles in the emulsions is transferable to the oil droplets containing them which, in return is then transferred to surrounding nonmagnetic liquid. The magnitude of the resulting mixing allows for the foresight of a versatile MNP mixing technology completely separated from the target phase being mixed. © 2013 American Institute of Chemical Engineers AIChE J , 60: 1176–1181, 2014

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,354
Score d'incertitude au seuil0,566

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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)0,0000,000

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 Opus0,011
Tête enseignante GPT0,240
Écart entre enseignants0,229 · 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.

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
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAIChE JournalMême sujetCharacterization and Applications of Magnetic NanoparticlesTravaux en français237 207