MétaCan
Menu
Retour à la cohorte
Enregistrement W4281849594 · doi:10.3389/fenvs.2022.908984

Modeling Emulsification Influence on Oil Properties and Fate to Inform Effective Spill Response

2022· article· en· W4281849594 sur OpenAlex
Deborah French-McCay, Matthew A. Frediani, Melissa D. Gloekler

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

fundUn bailleur canadien est enregistré sur le travail.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueFrontiers in Environmental Science · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueOil Spill Detection and Mitigation
Établissements canadiensnon disponible
Organismes subventionnairesFisheries and Oceans CanadaNanjing Institute of TechnologyChevron
Mots-clésEmulsionViscosityOil dropletDissolutionEvaporationChemical engineeringChemistryPetroleum engineeringEnvironmental scienceMaterials scienceGeologyOrganic chemistryComposite materialThermodynamics

Résumé

récupéré en direct d'OpenAlex

Water-in-oil emulsification affects spilled oil fate and exposure, as well as the effectiveness of oil spill response options, via changes in oil viscosity. While oil weathering processes such as evaporation, dissolution, photo-oxidation, and biodegradation increase oil viscosity about 10-fold, incorporation of water droplets into floating oil can increase viscosity by another order of magnitude. The objective of this study was to evaluate how changes in viscosity by oil type, with weathering, and with emulsification affect oil fate. Oil spill modeling analyses demonstrated that the increase in viscosity from emulsification prolonged floating oil exposure by preventing the oil from dispersing into the water column. Persistent emulsified oils are more likely to come ashore than low viscosity oils that readily disperse. Through a rapid increase in viscosity, emulsification restricted entrainment and slowed evaporation. Water column exposure to dissolved concentrations increased with lower viscosity oils. Thus, the ability to emulsify, and at what weathered state, are important predictors of oil fate. Oil viscosity is an important consideration for choosing response alternatives as it controls effectiveness of mechanical removal, in-situ -burning and surface-active chemicals. Therefore, understanding and quantification of oil emulsification are research priorities. The most influential model input determining emulsification and the emulsion’s viscosity is its maximum water content, as it controls the ultimate viscosity of the emulsion. Viscosities were also influenced by the volatile content and initial viscosity of the oil. Algorithms quantifying emulsion stability under field conditions have not been developed, so emulsions were assumed stable over the 30-day simulations. Changes in emulsion stability over time would affect oil properties and so floating oil and shoreline exposures, as well as response effectiveness. However, water column exposures to dissolved concentrations are determined within a few days of oil release, and as such would not be affected by differences in long-term stabilities of the emulsions.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,722
Score d'incertitude au seuil0,600

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,198
Écart entre enseignants0,190 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle