Wetting behavior of multi-walled carbon nanotube nanofluids
Notice bibliographique
Résumé
Nanofluids-engineered colloidal suspensions in base liquids-have captivated the interest of researchers over the last two decades for various existing as well as emerging technological applications. The main impetus for the synthesis of such novel nanocomposite liquids is the potential to alter properties of the base liquid, such as its viscosity, thermal conductivity, and surface tension, and to introduce specific optical and magnetic properties. Numerous studies suggest trends and explanations for the effects associated with the addition of nanoparticles, and that deviation from the base liquid properties are dependent on nanoparticle concentration. However, there remains a certain ambiguity in the available literature. The wetting behavior and surface tension of nanofluids are particular examples where highly conflicting results exist. In this study, we used multi-walled carbon nanotubes (MWCNTs) functionalized by plasma treatment and dispersed in reverse osmosis water and 99% anhydrous ethanol. Our observations reveal that the surface tension and wetting behavior of the stable aqueous and ethanol-based nanofluids containing plasma functionalized MWCNTs are unaffected by the MWCNT loading up to 120 (0.012) and ∼210 (0.021) ppm (vol%), respectively. The ethanol-based MWCNT nanofluids allowed us to extend the study to higher loadings, and a linear increase of the surface tension past ∼200 ppm was observed. Conversely, nanofluids containing non-functionalized or surfactant-stabilized MWCNTs show drastically different contact angle values when compared to the base liquids even at very low concentrations (less than 100 ppm). We demonstrate that the stability of nanofluid and method of stabilization are crucial parameters in determining the wetting behavior of nanofluids.
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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».