Reducing Ice Adhesion on Nonsmooth Metallic Surfaces: Wettability and Topography Effects
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The effects of ice formation and accretion on external surfaces range from being mildly annoying to potentially life-threatening. Ice-shedding materials, which lower the adhesion strength of ice to its surface, have recently received renewed research attention as a means to circumvent the problem of icing. In this work, we investigate how surface wettability and surface topography influence the ice adhesion strength on three different surfaces: (i) superhydrophobic laser-inscribed square pillars on copper, (ii) stainless steel 316 Dutch-weave meshes, and (iii) multiwalled carbon nanotube-covered steel meshes. The finest stainless steel mesh displayed the best performance with a 93% decrease in ice adhesion relative to polished stainless steel, while the superhydrophobic square pillars exhibited an increase in ice adhesion by up to 67% relative to polished copper. Comparisons of dynamic contact angles revealed little correlation between surface wettability and ice adhesion. On the other hand, by considering the ice formation process and the fracture mechanics at the ice-substrate interface, we found that two competing mechanisms governing ice adhesion strength arise on nonplanar surfaces: (i) mechanical interlocking of the ice within the surface features that enhances adhesion, and (ii) formation of microcracks that act as interfacial stress concentrators, which reduce adhesion. Our analysis provides insight toward new approaches for the design of ice-releasing materials through the use of surface topographies that promote interfacial crack propagation.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
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 découle