Impact of water vapor diffusion and latent heat on the effective thermal conductivity of snow
Notice bibliographique
Résumé
Abstract. Heat transport in snowpacks is understood to occur through the two processes of heat conduction and latent heat transport carried by water vapor, which are generally treated as decoupled from one another. This paper investigates the coupling between both these processes in snow, with an emphasis on the impacts of the kinetics of the sublimation and deposition of water vapor onto ice. In the case when kinetics is fast, latent heat exchanges at ice surfaces modify their temperature and therefore the thermal gradient within ice crystals and the heat conduction through the entire microstructure. Furthermore, in this case, the effective thermal conductivity of snow can be expressed by a purely conductive term complemented by a term directly proportional to the effective diffusion coefficient of water vapor in snow, which illustrates the inextricable coupling between heat conduction and water vapor transport. Numerical simulations on measured three-dimensional snow microstructures reveal that the effective thermal conductivity of snow can be significantly larger, by up to about 50 % for low-density snow, than if water vapor transport is neglected. A comparison of our numerical simulations with literature data suggests that the fast kinetics hypothesis could be a reasonable assumption for modeling heat and mass transport in snow. Lastly, we demonstrate that under the fast kinetics hypothesis the effective diffusion coefficient of water vapor is related to the effective thermal conductivity by a simple linear relationship. Under such a condition, the effective diffusion coefficient of water vapor is expected to lie in the narrow 100 % to about 80 % range of the value of the diffusion coefficient of water vapor in air for most seasonal snows. This may greatly facilitate the parameterization of water vapor diffusion of snow in models.
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 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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».