The method of moments used in polymerization reaction engineering for 70 years: An overview, tutorial, and minilibrary
Notice bibliographique
Résumé
Abstract In the last seven decades, the method of moments (MoM) has become an invaluable tool in the field of polymerization reaction engineering, due to the simplicity of translating a complex set of population balance equations (PBE) into a system with a limited number of equations. In this work, we offer an overview of the MoM, describing the derivation of the moment equations in a basic kinetic mechanism. Some tools and strategies for the derivation of the moment equations are reviewed and explained in detail, such as the binomial theorem, the method of series expansion and pattern identification (SEPI), extensively used by the community, and a graphical approach of summation inversion. The treatment for multivariate distributions is also exposed, taking advantage of the complete and partial moment techniques. The derivation of the MoM contribution by kinetic mechanisms beyond the basic ones or involving special difficulties, such as depropagation, long chain branching (LCB), random chain scission, LCB and β‐scission, short chain branching (SCB) and scission, internal double bond (IDB) (polymerization), termination by combination, reversible deactivation radical polymerization (RDRP), and intermolecular transesterification reactions (ITRs), are explained in a tutorial way. Additionally, the fundamentals of the MoM in copolymerization and the application of the pseudo‐homopolymerization approach are briefly described. An introduction of the MoM to emulsion polymerization is also presented. Finally, some advanced applications of MoM in recent works are exposed: MoM models with chain‐length dependent or diffusion‐controlled termination, and the extension of the MoM for the prediction of the molecular weight distribution (MWD ) .
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 ».