Mathematical modelling of enzymatically cross‐linked polymer–phenol conjugates using deterministic and stochastic methods
Notice bibliographique
Résumé
Abstract In this study, two different modelling approaches, namely, a deterministic and a stochastic one, are developed to model the enzymatic cross‐linking of polymer–phenol conjugates. A comprehensive kinetic mechanism is postulated to describe the elementary reactions in the cross‐linking of polymer–phenol chains in the presence of the horseradish peroxidase (HRP)–H 2 O 2 initiation system. In the first approach, a moments‐based model is derived to account for the conservation of all molecular species and leading moments of the number chain length distribution (NCLD) in the reactive system. In the second approach, a stochastic Monte Carlo kinetic model is formulated to follow the time evolution of a sample of cross‐linkable polymer chains and calculate the weight chain length distribution (WCLD). From the numerical solutions of both models, the dynamic evolution of the concentrations of all the reactive species, the gelation onset time, the sol and gel mass fractions as well as the number and weight average molecular weights of the cross‐linkable polymer chains are calculated. The two derived models are validated using experimental kinetic measurements on the enzymatic cross‐linking of tyramine‐modified hyaluronic acid and carboxymethyl‐chitin. It is shown that both models can accurately predict the gelation onset time of the two cross‐linkable systems over a wide range of variations in HRP and H 2 O 2 concentrations. Finally, the MC model predictions on the weight average number of polymer chains in the cross‐linked molecules are compared to Flory's analytical solution on the tetrafunctional cross‐linking of polymer chains of uniform length.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».