Effects of Gas Type, Oil, Salts and Detergent on Formation and Stability of Air and Carbon Dioxide Bubbles Produced by Using a Nanobubble Generator
Notice bibliographique
Résumé
Recent developments in ultrafine bubble generation have opened up new possibilities for applications in various fields. Herein, we investigated how substances in water affect the size distribution and stability of microbubbles generated by a common nanobubble generator. By combining light scattering techniques with optical microscopy and high-speed imaging, we were able to track the evolution of microbubbles over time during and after bubble generation. Our results showed that air injection generated a higher number of microbubbles (<10 μm) than CO2 injection. Increasing detergent concentration led to a rapid increase in the number of microbubbles generated by both air and CO2 injection and the intensity signal detected by dynamic light scattering (DLS) slightly increased. This suggested that surface-active molecules may inhibit the growth and coalescence of bubbles. In contrast, we found that salts (NaCl and Na2CO3) in water did not significantly affect the number or size distribution of bubbles. Interestingly, the presence of oil in water increased the intensity signal and we observed that the bubbles were coated with an oil layer. This may contribute to the stability of bubbles. Overall, our study sheds light on the effects of common impurities on bubble generation and provides insights for analyzing dispersed bubbles in bulk.
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 | 0,000 | 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 ».