MétaCan
Menu
Retour à la cohorte
Enregistrement W4322011776 · doi:10.1063/5.0141614

Control of boundary slip by interfacial nanobubbles: A perspective from molecular dynamics simulations

2023· article· en· W4322011776 sur OpenAlexaff
Haichang Yang, Binglin Zeng, Xuehua Zhang, Yaowen Xing, Xiahui Gui, Yijun Cao

Notice bibliographique

RevuePhysics of Fluids · 2023
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMinerals Flotation and Separation Techniques
Établissements canadiensUniversity of Alberta
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésSlip (aerodynamics)WettingDragMechanicsPhysicsBoundary value problemContact angleMolecular dynamicsNanotechnologyGeometryChemical physicsMaterials scienceThermodynamicsMathematics

Résumé

récupéré en direct d'OpenAlex

Enhancing boundary slip using interfacial nanobubbles (INBs) has gained significant interest in nanofluidic transport. In this study, we conducted a comprehensive investigation on the influence of INBs on boundary conditions for both smooth and rough substrates using molecular dynamics simulations. We analyzed the impact of INB protrusion angle, coverage percentage, quantity, and fluidity on the slip length. Our results showed that INBs always increase the slip length on a smooth substrate, with a linear increase in slip length observed with increasing surface coverage. On a rough substrate, we found that the protrusion angle, quantity, and fluidity of INBs play a crucial role in determining the slip length. Smaller protrusion angles and fewer quantities of INBs were found to be more favorable for enhancing the slip length when the INB coverage is fixed, while the correlation between boundary slip and INB quantity depended on the wetting state of the substrate when the size of the INBs was fixed with a low protrusion angle. Additionally, we revealed that the fluidity of gas molecules inside the INBs dominated the enhancement of slip length by INBs. Overall, our findings are expected to provide valuable insight into drag reduction based on INBs.

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 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)0,000
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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,512
Score d'incertitude au seuil0,345

Scores Codex et Gemma par catégorie

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 savante0,0000,000
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 GPT0,266
Écart entre enseignants0,258 · 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 tête enseignante, 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

Citations14
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePhysics of FluidsMême sujetMinerals Flotation and Separation TechniquesTravaux en français237 207