Mass Advection–Diffusion in Creeping Flow Through an Orifice Plate: A Model for Nanoporous Atomically Thin Membranes
Notice bibliographique
Résumé
Abstract Continuum transport equations are commonly applied to nanopores in atomically thin membranes for simple modeling. Although these equations do not apply for nanopores approaching the fluid or solute molecule size, they can be reasonably accurate for larger nanopores. Relatively large graphene nanopores have applications in small particle filtration and appear as unwanted defects in large-area membranes. Solute transport rates through these nanopores determine the rejection performance of the membrane. Atomically thin membranes commonly operate in a regime where advection and diffusion both contribute appreciably to transport. Solute mass transfer rates through larger nanopores have previously been modeled by adding continuum estimates for pure diffusion and pure advection through an infinitesimally thick orifice plate, as if the separate contributions were independent. We show here that estimating the transport rate in this way is accurate to within 30%. We further derive an expression for the net mass transfer rate in advection–diffusion through an infinitesimal thickness orifice plate at low Reynolds numbers that is accurate to within 1% for positive Péclet numbers (where diffusion is in the same direction as advection) and applies for negative Péclet numbers as well. Based on our expression, we devise an equation for the net mass transfer rate in creeping flow through orifice plates of arbitrary thickness that matches finite volume calculations to within 3% for positive Péclet numbers. These simple but accurate analytical equations for mass transfer rates in creeping flow through an orifice plate are useful tools in constructing approximate transport 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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».