Impact of pre-charged particles on steady state and pulsed modes of unipolar diffusion chargers
Notice bibliographique
Résumé
Fine mode particulate matter (PM) is known to be a major risk for human health as it can cause respiratory and cardiovascular diseases. Whether produced from anthropogenic or natural processes, fine mode PM is often electrically charged with positive, negative and/or bipolar charges. These preexisting charges can, in some cases, significantly affect measurements from sensors which involve a charging stage prior to measurement by, e.g., electrometry. In this work, we demonstrate quantitatively the impact of preexisting charges (q=0,±1,±2) on three different unipolar diffusion charging (DC) configurations using both simulations and experiments. The DC configurations include traditional steady state (SS) DC and pulsed modes of DC, where in all configurations a positive corona charger is used. We show that the impact of preexisting charges on SS and modulated precipitation (MP) DC is comparable. Positively pre-charged particles cause a larger deviation for SS and MP DC, in contrast to modulated diffusion charging (MDC), where negatively pre-charged particles have a greater impact. In addition, we show that the ion concentration in the charging region can be increased to significantly reduce the resulting error caused by the pre-charges for both SS DC and MP DC, in contrast to MDC. These results show that the influence of unipolarly pre-charged particles is very differently pronounced for the different modes of DC. The impact strongly depends on the polarity of the pre-charges, characteristics of the charger and the DC configuration itself. These insights are particularly interesting for the design and the application of DC based sensors.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».