MétaCan
Menu
Retour à la cohorte
Enregistrement W4293240367 · doi:10.1021/acssuschemeng.2c03428

Molecular Insights into the Impacts of Calcite Nanoparticles on Methane Hydrate Formation

2022· article· en· W4293240367 sur OpenAlexaff
Zhengcai Zhang, Peter G. Kusalik, Nengyou Wu, Changling Liu, Fulong Ning

Notice bibliographique

RevueACS Sustainable Chemistry & Engineering · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMethane Hydrates and Related Phenomena
Établissements canadiensUniversity of Calgary
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésHydrateNanoparticleMethaneCalciteClathrate hydrateNucleationChemical engineeringChemistryMaterials scienceMineralogyNanotechnologyOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

Despite the potential broad utility of nanoparticles in hydrate-related fields, there remains a paucity of studies on the impacts of nanoparticles on gas hydrate formation. In this study, massive microsecond molecular dynamics simulations were performed to investigate the roles of calcite nanoparticles on the formation processes of methane hydrate. Our results indicate that calcite nanoparticles prefer to be in the water phase close to the water/gas interface. They inhibit methane hydrate nucleation because a layer of bound water with a thickness of 0.75 nm forms around each nanoparticle which results in an extremely low methane concentration region. Thus, methane hydrate nucleates away from the nanoparticle, and no clear connection between the nucleated hydrate and the nanoparticle is observed. The nanoparticles associate easily, and a water layer with a thickness of 1.15 nm forms between the associated nanoparticles. Moreover, methane hydrate growth is not influenced by calcite nanoparticles until the growth front approaches the bound water around the nanoparticle. These molecular insights of the impacts of calcite nanoparticles on methane hydrate formation are beneficial for the application of nanoparticles in hydrate mining and hydrate-related technologies.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,003
Tête enseignante GPT0,183
Écart entre enseignants0,180 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations21
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueACS Sustainable Chemistry & EngineeringMême sujetMethane Hydrates and Related PhenomenaTravaux en français237 207