MétaCan
Menu
Retour à la cohorte
Enregistrement W2965688697 · doi:10.1088/1361-6463/ab37d9

Transient heating and evaporation of metallic particles under plasma conditions

2019· article· en· W2965688697 sur OpenAlexaff
Siwen Xue, Maher I. Boulos

Notice bibliographique

RevueJournal of Physics D Applied Physics · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueHigh-Temperature Coating Behaviors
Établissements canadiensUniversité de SherbrookeTekna Plasma Systems (Canada)
Organismes subventionnairesnon disponible
Mots-clésEvaporationPlasmaTransient (computer programming)Materials scienceMetalMechanicsThermodynamicsChemistryMetallurgyPhysicsNuclear physics

Résumé

récupéré en direct d'OpenAlex

Abstract The synthesis of metallic nanopowders through the vaporization and condensation of metallic precursors under plasma condition is increasingly accepted for a wide range of applications in the electronic and electrical industry. The present study aims at the computer simulation of the basic processes involved. Specific attention is given to the particle evaporation rate and the associated energy balance. Computation carried out for the vaporization of 50 µ m iron and copper particles in an atmospheric pressure argon plasma at 9000 K provide means of quantifying the different energy requirements of the process including; • energy needed for the initial heating of the particle to its vaporization temperature, • energy required for particle vaporization, • energy lost by surface radiation from the particle during the evaporation process, and • energy radiated from the plasma/metal vapor cloud. The results show that energy lost by volume radiation for the plasma/metal vapor cloud is by far the most important energy requirement of the process that deserves special attention in terms of reactor engineering design in order to reduce its value and consequently increase process productivity. As expected, the results are to a large extent material dependent, varying widely with the radiative properties of the metal involved.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,210
Score d'incertitude au seuil0,545

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,232
Écart entre enseignants0,218 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations13
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Physics D Applied PhysicsMême sujetHigh-Temperature Coating BehaviorsTravaux en français237 207