Two-dimensional mathematical framework for evaporation dynamics of respiratory droplets
Notice bibliographique
Résumé
In majority of pandemics in human history, respiratory bio-aerosol is the most common route of transmission of diseases. These tiny droplets ejected through mouth and nose from an infected person during exhalation process like coughing, sneezing, speaking, and breathing consist of pathogens and a complex mixture of volatile and nonvolatile substances. A cloud of droplets ejected in such an event gets transmitted in the air, causing a series of coupled thermo-physical processes. Contemplating an individual airborne droplet in the cloud, boundary layers and wakes develop due to relative motion between the droplet and the ambient air. The complex phenomenon of the droplet's dynamics, such as shear-driven internal circulation of the liquid phase and Stefan flow due to vaporization or condensation, comes into effect. In this study, we present a mathematical description of the coupled subprocesses, including droplet aerodynamics, heat, and mass transfer, which were identified and subsequently solved. The presented two-dimensional model gives a complete analysis encompassing the gas phase coupled with the liquid phase responsible for the airborne droplet kinetics in the ambient environment. The transient inhomogeneity of temperature and concentration distribution in the liquid phase caused due to the convective and diffusive transports are captured in the 2D model. The evaporation time and distance traveled by droplets prior to nuclei or aerosol formation are computed for major geographical locations around the globe for nominal-windy conditions. The model presented can be used for determining the evaporation timescale of any viral or bacterial laden respiratory droplets across any geographical location.
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 ».