Dispersion of Oil Droplets in Rivers
Notice bibliographique
Résumé
The dispersion of oil droplets in rivers was numerically investigated for uniform flow in a hypothetical wide river with a depth of 3.0 m. The river hydrodynamics profile was used in conjunction with the VDROP model to produce the oil droplet size distribution (DSD), whereas the NEMO3D model was used to track the movement of the oil droplets. Results suggest that the gradient of eddy diffusivity significantly affected the upward-normal (i.e., quasi-vertical) transport of the droplets, and caused them to mix rapidly through the depth. We also found that an increase in buoyancy resulted in a decrease in the streamwise variance and spreading coefficient. Oil droplets broke up due to the relatively large energy dissipation rates in the river at approximately 1.0 m below the surface and deeper. The droplet breakup varies DSD in the river water column, which may subsequently affect other chemo-physical processes (e.g., oil-particle aggregation). The breakup efficiency is affected by a system-dependent parameter Kb, which reflects the uncertainty of a system. The steady-state DSD was bimodal for the case Kb=0.05, whereas it was unimodal for larger Kb values (i.e., Kb=1.0 and 0.25), respectively. More small-sized droplets were generated and persisted in the deep-water column with larger Kb values. The droplet breakup also enhanced the streamwise spreading of the plume. The effect of droplet entrainment on oil dispersion was studied by assuming constant entrainment probabilities of surface oil droplets. The oil DSD varied with different droplet entrainment probabilities, and the number of oil droplets generated in the water column decreased significantly with a decrease in the entrainment probability of the oil droplets.
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 ».