The behaviour of plasma-functionalized graphene nanoflake nanofluids during phase change from liquid water to solid ice
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Emerging nanofluid-based technologies for cooling, transport, and storage applications have previously been enhanced through the use of graphene nanoflake (GNF) nanofluids. Many of the beneficial effects of GNFs have now been documented, though little work has yet been completed to characterize the morphological behaviour of GNF nanofluids both during and after the phase change process. In this study, the crystallization behaviour of sessile water droplets was evaluated for two plasma-functionalized, hydrophilic GNF concentrations (20 and 100 ppm) at three driving force temperatures (-5 °C, -10 °C, and -20 °C). At low driving forces, the GNFs were wholly expelled from the solid matrix due to low crystallization velocities. At high driving forces, more rapid crystallization rates resulted in the entrapment of GNFs within the air bubbles and inter-dendritic spaces of the solid droplet. However, individual particle dispersion was not achieved within the solid matrix at any driving force. Furthermore, for all experimental conditions, the functionalized GNF clusters which formed during freezing did not disperse spontaneously upon melting as drying-like effects may have altered the attraction properties of their surfaces and destabilized the suspension. Compared to previous studies using multi-walled carbon nanotubes, the GNFs were found to have higher liquid mobility at the solid front, provide less resistance to that front as it ascended, and be better dispersed after melting. These effects may have been geometrical; the square nanoflake geometry does not result in any physical particle entanglement.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle