Statistical analysis of pulsed spark discharges in water: Effects of gap distance, electrode material, and voltage polarity on discharge characteristics
Notice bibliographique
Résumé
Repetitive discharges in dielectric liquid are involved in many technological applications. The relatively poor reproducibility of such discharges, induced by significant modification of experimental conditions (electrode and liquid), hinders the understanding of their fundamental dynamics and optimizing processes. In this paper, we study the electrical characteristics of multiple discharges run in de-ionized water, at low frequency (3 Hz), using pin-to-plate electrode geometry, under varying conditions of gap distance (50–500 μm), electrode composition (Cu and W), and voltage polarity (amplitude of ±20 kV and pulse width of 500 ns). The voltage and current waveforms of each occurring discharge are recorded and then processed to determine the probability of discharge occurrence, breakdown voltage, discharge current, discharge delay, injected charge, and injected energy. The results show that the highest numbers of occurring discharges are achieved at shortest distance, using the Cu electrode, and negative polarity. The data points comprising the electrical characteristics waveforms (e.g., breakdown voltage) are more or less dispersed, depending on the electrode composition and voltage polarity. Moreover, in negative polarity, a reflected positive pulse of ∼5 kV is observed when discharges do not occur in the first pulse. Considering that these pulses may induce discharges, their characteristics are also provided. Finally, the voltage-current plots show appreciable dependence on discharge conditions, and the data are well fitted by linear profiles with slopes, i.e., resistances, that may reflect the ignition conditions of the discharge.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| 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 | 0,001 |
| 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 ».