MétaCan
Menu
Retour à la cohorte
Enregistrement W2962783569 · doi:10.1038/s41598-019-47096-6

Investigating fouling at the pore-scale using a microfluidic membrane mimic filtration system

2019· article· en· W2962783569 sur OpenAlexafffund
Nandini Debnath, Aloke Kumar, Thomas Thundat, Mohtada Sadrzadeh

Notice bibliographique

RevueScientific Reports · 2019
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMembrane Separation Technologies
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanadian Network for Research and Innovation in Machining Technology, Natural Sciences and Engineering Research Council of CanadaDepartment of Science and Technology, Ministry of Science and Technology, India
Mots-clésFoulingMembrane foulingFiltration (mathematics)MembraneChemical engineeringColloidMicrofluidicsPolystyreneMaterials scienceParticle (ecology)MicrofiltrationChromatographyPolymerChemistryNanotechnologyComposite material

Résumé

récupéré en direct d'OpenAlex

The work investigates fouling in a microfluidic membrane mimic (MMM) filtration system for foulants such as polystyrene particles and large polymeric molecules. Our MMM device consists of a staggered arrangement of pillars which enables real-time visualization and analysis of pore-scale phenomena. Different fouling scenarios are investigated by conducting constant-pressure experiments. Fouling experiments are performed with three different types of foulants: polystyrene particle solution (colloidal fouling), polyacrylamide polymer solution (organic fouling) and a mixture of these two solutions (combined fouling). Four major categories of microscopic fouling are observed: cake filtration (upstream), pore blocking (inside the pores), colloidal aggregation (downstream) and colloidal streamer fouling (downstream). Our microfluidic experiments show that downstream colloidal aggregation and streamer fouling have a significant effect on overall membrane fouling which were not studied before.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,022
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,235
Écart entre enseignants0,217 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations35
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueScientific ReportsMême sujetMembrane Separation TechnologiesTravaux en français237 207