Experimental methods in chemical engineering: <scp>pH</scp>
Notice bibliographique
Résumé
Abstract All chemical, biochemical, and biological processes depend on pH. Since the 1920s, when the first electrode was introduced to determine the concentration of hydrogen ions, pH measurement techniques have been evolving to fit the application at laboratory and industrial scales. These techniques include conventional methods based on electrical and optical methods like glass electrodes and variants. Most of the current methods still require a probe to be immersed in a solution. However, biomedical applications in the development stages involve non‐invasive probes that measure hydrogen ion concentration or electrical conductivity, which is related to the concentration of all ions. Instruments also measure both these properties simultaneously for water analysis, agriculture, and electrochemistry. pH drops by as much as 90% increasing temperature from 5–45°C (for MgSO 4 , NaCl, and an acetate buffer). The repeatability is excellent for a glass electrodes, which continues to be the measurement technique of choice for most laboratories, with a standard deviation of better than 0.08% for low molar concentrations (0.05 M) that increases to above 0.2% at high molar concentrations (>0.7 M). Besides the standard potentiometric methods, emerging techniques include ion‐sensitive field transistors, pH imaging, conductometric, acoustic microsensors, microcantilevers, and spectroscopy. In the first 6 months of 2020, Web of Science indexed almost 10 000 articles that mentioned pH as a keyword; most were in environmental sciences, multidisciplinary chemistry, and chemical engineering. Here, we review the latest developments, including spectroscopic methods, progress towards miniaturization, in particular for bio‐medical applications like skin and bio‐fluids, unconventional sampling, repeatability, and uncertainty.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».