Experimental Methods in Chemical Engineering: Particle Size Distribution by Laser Diffraction—PSD
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
Particle size is the top cited physical property researchers report in The Canadian Journal of Chemical Engineering and among the top properties in all science disciplines. [1] Techniques to measure particle size distribution (PSD) include physical operations like sieving and sedimentation, and spectroscopic techniques like laser diffraction image analysis based on optical and electron microscopy, and elecro‐zone instruments. Here we concentrate on laser diffraction analysis (LDA) and review its basic principles, operations, limitations, uncertainties, and mention how it compares to other techniques. LDA is an instantaneous, user‐friendly, convenient, and non‐destructive method to assess PSD of inorganic powders. It measures the scattering angle and intensity of light after it passes through diluted particle dispersions suspended in either a gas or liquid. The Mie theory is an exact solution to resolve the diffraction intensity of light caused by particles that applies to while the Fraunhoffer approximation applies only to particles greater than 20 m. The 95 % confidence interval of five measurements of 56 m and 0.1 m irregularly shaped polyhedrons was . Based on a bibliometric analysis of LDA of the top 10 000 cited articles in 2016 and 2017, the major research clusters are: particle measurement, powder behaviour, pharmacy, comminution, and adsorption. Future work will continue to introduce more laser sources, combine multiple technologies, implement mobile light sources (dynamic light scattering), and better define characterize irregularly shaped particles.
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 | 0,000 | 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) | 0,001 | 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 découle