Poisson–Boltzmann Equation for Microfluidic Transport Phenomena with Statistical Thermodynamics Approach
Notice bibliographique
Résumé
With the advent of microfluidics and lab-on-chip systems, DNA and protein separation technologies are being developed for biology, diagnostics, and health purposes. Fully realizing these applications requires developing numerical models for sample transport. In this paper, a thorough investigation of electrokinetics and microfluidics transport phenomena reviews the background of the Poisson–Boltzmann equation. A detailed derivation of the equation is presented, which is not available in the microfluidic literature at one place, with the view of providing a more consolidated and comprehensive understanding of it. This equation is then applied to find the electric potential and charge density distributions in the electric double layer (EDL). The present study provides a detailed derivation of the Boltzmann distribution, and principles of probability are used to identify the most-probable ion distribution. This distribution is subject to constraints of constant number of particles and total energy of the system; Lagrangian multipliers are used to solve the resulting constrained optimization problem. Classical thermodynamics is shown to be consistent with the distribution of ions: the Boltzmann distribution. Then, based on Coulomb’s law, the derivation of Poisson’s equation, and its special form of Laplace’s equation, the electric potential distribution in the EDL and in the bulk flow is derived and presented. By applying classical thermodynamics and integrating the Boltzmann distribution and Poisson equation together, the Poisson–Boltzmann equation is achieved.
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 ».