MétaCan
Menu
Retour à la cohorte
Enregistrement W3092345591 · doi:10.1016/j.powtec.2020.10.016

Effects of surface roughness on liquid bridge capillarity and droplet wetting

2020· article· en· W3092345591 sur OpenAlexaff
Hien Nho Gia Nguyen, Chaofa Zhao, Olivier Millet, A. P. S. Selvadurai

Notice bibliographique

RevuePowder Technology · 2020
Typearticle
Langueen
DomaineMaterials Science
ThématiqueSurface Modification and Superhydrophobicity
Établissements canadiensMcGill University
Organismes subventionnairesEuropean Commission
Mots-clésWettingCapillary actionSurface roughnessMaterials scienceSurface finishContact angleSandpaperLaplace pressureComposite materialOpticsSurface tensionThermodynamicsPhysics

Résumé

récupéré en direct d'OpenAlex

This study examines the influence of surface roughness on the capillarity of liquid bridges between two solid surfaces and the wettability of droplets on solid surfaces. For this purpose, different surface roughnesses were prepared by gluing waterproof sandpaper onto flat glass surfaces. The effects of surface roughness on liquid bridge capillarity were investigated by using a method that is based on an exact analytical solution of the Young-Laplace equation for a liquid bridge between two parallel planes coupled with capillary force measurement. The capillary forces between two parallel planes were measured by a micro-balance, while the geometries of the capillary bridge were recorded using a high-resolution camera. Using the images of capillary bridges, the meridional profiles of capillary bridges were determined by a high-resolution image processing technique and correlated to the measured capillary forces. The effects of surface roughness on droplet wetting were measured by employing the same high-resolution image processing technique. The measured results show that as the roughness increases, the wetting angle increases, whereas the capillary forces of the liquid bridge decrease.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
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)0,0010,000

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 Opus0,017
Tête enseignante GPT0,240
Écart entre enseignants0,223 · 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'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

Citations69
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePowder TechnologyMême sujetSurface Modification and SuperhydrophobicityTravaux en français237 207