Microdroplet nucleation by dissolution of a multicomponent drop in a host liquid
Notice bibliographique
Résumé
Multicomponent liquid drops in a host liquid are very relevant in various technological applications. Their dissolution or growth dynamics is complex. Differences in solubility between the drop components combined with the solutal Marangoni effect and natural convection contribute to this complexity, which can be even further increased in combination with the ouzo effect, i.e. the spontaneous nucleation of microdroplets due to composition-dependent miscibilities in a ternary system. The quantitative understanding of this combined process is important for applications in industry, particularly for modern liquid–liquid microextraction processes. In this work, as a model system, we experimentally and theoretically explore water–ethanol drops dissolving in anethole oil. During the dissolution, we observed two types of microdroplet nucleation, namely water microdroplet nucleation in the surrounding oil at drop mid-height, and oil microdroplet nucleation in the aqueous drop, again at mid-height. The nucleated oil microdroplets are driven by Marangoni flows inside the aqueous drop and evolve into microdroplet rings. A one-dimensional multiphase and multicomponent diffusion model in combination with thermodynamic equilibrium theory is proposed to predict the behaviour of spontaneous emulsification, i.e. microdroplet nucleation, that is triggered by diffusion. A scale analysis together with experimental investigations of the fluid dynamics of the system reveals that both the solutal Marangoni flow inside the drop and the buoyancy-driven flow in the host liquid influence the diffusion-triggered emulsification process. Our work provides a physical understanding of the microdroplet nucleation by dissolution of a multicomponent drop in a host liquid.
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 ».