Bouncing of cloud-sized microdroplets on superhydrophobic surfaces
Notice bibliographique
Résumé
The control of microdroplet impact on superhydrophobic surfaces (SHSs) is becoming imperative owing to its effect on several industrial applications, such as corrosion protection, self-cleaning, ice resisting, and de-icing. While most of the experimental studies on the impact dynamics of droplets are based on macrodroplets, it is unclear how the obtained results can be applied to microdroplet impact on SHSs. In this work, a comprehensive experimental analysis ranging from millimeter- to micrometer-sized droplets using a novel drop on demand microdispensing system is performed. Several SHSs were synthesized to control droplet impact by enforcing bouncing on the surface during the impingement process. The current analysis focuses on experimentally capturing and analyzing the impact behavior of cloud-sized microdroplets and macrodroplets (D0 = 10 μm–2500 μm) upon SHS impact, with hysteresis, under controlled environmental conditions. Different droplet impact parameters, such as droplet contact time, maximum spreading diameter, and restitution coefficient, were experimentally obtained. Interestingly, this investigation highlighted a contrast in the behavior of microdroplets and macrodroplets upon impact on rough SHSs. It was found that critical parameters controlling droplet dynamics, such as the maximum spreading diameter and coefficient of restitution, cannot be described by current models in the literature. A preliminary theoretical model based on energy balance and accounting for the substrate hysteresis is proposed to explain some of these findings. Finally, the effect of SHS roughness on the bouncing of cloud-sized microdroplets (D0 = 10 μm–100 μm) was examined in the context of synthesizing SHSs.
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) | 0,000 | 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 ».