MétaCan
Menu
Retour à la cohorte
Enregistrement W3015540957 · doi:10.1063/1.5142669

Predicting the interaction between nanoparticles in shear flow using lattice Boltzmann method and Derjaguin–Landau–Verwey–Overbeek (DLVO) theory

2020· article· en· W3015540957 sur OpenAlexafffund
Li Jiang, Mohammad Rahnama, Biao Zhang, Xun Zhu, Pang‐Chieh Sui, Dingding Ye, Ned Djilali

Notice bibliographique

RevuePhysics of Fluids · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueLattice Boltzmann Simulation Studies
Établissements canadiensUniversity of Victoria
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaNational Natural Science Foundation of ChinaWestern Canada Research GridCompute Canada
Mots-clésDLVO theoryLattice Boltzmann methodsvan der Waals forceNanoparticleChemical physicsPhysicsClassical mechanicsStatistical physicsColloidNanotechnologyMechanicsMaterials scienceChemistryPhysical chemistryQuantum mechanics

Résumé

récupéré en direct d'OpenAlex

The functionality and performance of colloidal suspensions used in catalyst layer preparation and biomedical applications are largely dependent on the interaction between nanoparticles in colloidal suspension systems. Previous models (e.g., collision model) usually rely on an artificial repulsive force as the sole interaction between nanoparticles to prevent overlapping, but fail to capture the agglomeration or reveal the effect of solvents. In this study, the Derjaguin–Landau–Verwey–Overbeek (DLVO) theory is implemented in conjunction with a lattice Boltzmann-smoothed profile method developed to simulate the dynamic solid–fluid and particle–particle interactions between nanoparticles in shear flow. Both aqueous and non-aqueous solvents are considered. The model consists of an attractive van der Waals force and repulsive electrostatic and Born forces in aqueous solvents and is modified for non-aqueous solvents by replacing the repulsive electrostatic force by Coulombic repulsion. The numerical model is validated against a benchmark analytic solution for the motion of one nanoparticle in shear flow. For two-particle systems, physically representative simulations are obtained with the DLVO models, resulting in nanoparticles that remain attached or eventually detach depending on a critical particle Reynolds number. Furthermore, the DLVO models properly resolve the effect of solvents on nanoparticle motion. The improved representation of inter-particle interactions achieved with the DLVO and modified-DLVO models provides a physically consistent approach to simulate and investigate agglomeration and dispersion in colloidal suspensions.

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: Empirique
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,029

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
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 Opus0,045
Tête enseignante GPT0,303
Écart entre enseignants0,258 · 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

Citations36
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePhysics of FluidsMême sujetLattice Boltzmann Simulation StudiesTravaux en français237 207