Surface roughness effect on droplet impact characterization: Experimental and theoretical study
Notice bibliographique
Résumé
In this paper, the effect of surface roughness on the both normal and inclined droplet impact is investigated experimentally by image processing. The impingement of water droplets with 2.9 mm diameter and 1m/s velocity impacting on three types of stainless steel surfaces with respective arithmetic average surface roughness values of 2.24 μm (Smooth), 6.04 (Medium) and 30.2 (Rough) is examined using a high-speed camera. The dynamic behavior of the impact including droplet deformation, the maximum spreading diameter and length, contact angle and the number of fingers are studied. Experimental results demonstrate that rough surfaces not only prevent secondary droplet formation but also decrease the number of fingers formed around the droplet in the normal droplet impact. Considering the inclined droplet impact scenarios, the asymmetric spreading of droplet on inclined surfaces avoids the secondary droplet formation by decreasing the fluid kinetic energy. In the inclined impact, fingers are formed around the droplet perimeter like the normal impact. The only difference between impacts onto the inclined surfaces is a gradual decrease of the number of fingers by increasing the incline angle. The experimental results are compared with those of the analytics available in the literature for the normal droplet impacts. Next, a simple analytical model for droplet impact on an inclined surface is developed; the predictions from this model was also compared to those of measurements. Calculated values from the analytical models agreed well with experimental data for both normal and inclined impact scenarios.
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 | 0,001 | 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 ».