MétaCan
Menu
Retour à la cohorte
Enregistrement W2981909217 · doi:10.3390/fluids4040186

Modeling of Sedimentation and Creaming in Suspensions and Pickering Emulsions

2019· article· en· W2981909217 sur OpenAlexaff
Rajinder Pal

Notice bibliographique

RevueFluids · 2019
Typearticle
Langueen
DomaineMaterials Science
ThématiquePickering emulsions and particle stabilization
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésCreamingSedimentationPickering emulsionSettlingOil dropletMaterials scienceEmulsionNanoparticleChemical engineeringGeologyNanotechnologyThermodynamicsSedimentPhysicsGeomorphologyEngineering

Résumé

récupéré en direct d'OpenAlex

Suspensions and emulsions are prone to kinetic instabilities of sedimentation and creaming, wherein the suspended particles and droplets fall or rise through a matrix fluid. It is important to understand and quantify sedimentation and creaming in such dispersed systems as they affect the shelf-life of products manufactured in the form of suspensions and emulsions. In this article, the unhindered and hindered settling/creaming behaviors of conventional emulsions and suspensions are first reviewed briefly. The available experimental data on settling/creaming of concentrated emulsions and suspensions are interpreted in terms of the drift flux theory. Modeling and simulation of nanoparticle-stabilized Pickering emulsions are carried out next. The presence of nanoparticles at the oil/water interface has a strong influence on the creaming/sedimentation behaviors of single droplets and swarm of droplets. Simulation results clearly demonstrate the strong influence of three-phase contact angle of nanoparticles present at the oil/water interface. This is the first definitive study dealing with modeling and simulation of unhindered and hindered creaming and sedimentation behaviors of nanoparticle-stabilized Pickering emulsions.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,023

Scores du classifieur distillé par catégorie (deux têtes)

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

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 GPT0,253
Écart entre enseignants0,238 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations38
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFluidsMême sujetPickering emulsions and particle stabilizationTravaux en français237 207