MétaCan
Menu
Retour à la cohorte
Enregistrement W4388991460 · doi:10.1002/admi.202300606

Influence of Salinity on Surface Ice Adhesion Strength

2023· article· en· W4388991460 sur OpenAlexafffund
Wenting Luo, Kamran Alasvand Zarasvand, Zahra Azimi Dijvejin, Anupama Vijaya Nadaraja, Kevin Golovin

Notice bibliographique

RevueAdvanced Materials Interfaces · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueIcing and De-icing Technologies
Établissements canadiensUniversity of TorontoOkanagan University CollegeUniversity of British Columbia, Okanagan CampusUniversity of British Columbia
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaUniversity of TorontoCanada Foundation for Innovation
Mots-clésMaterials scienceAdhesionSalinityEutectic systemSea iceSeawaterChemical engineeringComposite materialOceanographyGeologyMicrostructure

Résumé

récupéré en direct d'OpenAlex

Abstract Ice accretion has detrimental effects on a wide range of sensitive engineering structures, especially those adjacent to or within the ocean. Here the effect of salinity on the adhesion of ice to different surfaces is investigated over a range of sub‐zero temperatures. The saline ice adhesion strength is found to decrease with the increasing salinity on all surfaces tested. The presence of thermodynamically stable brine at temperatures above −21.2 °C is found to drastically lower the saline ice adhesion strength of essentially all surfaces through a lubrication effect. At −25 °C, below the eutectic temperature between H2O ice and hydrohalite (NaCl 2H2O), high adhesion is observed. For smooth surfaces, hydrophobicity is effective at lowering the saline ice adhesion strength, and a hydrophobic silicon wafer exhibited a saline ice adhesion strength of 2.4 ± 1.8 kPa at −10 °C with 1 wt% NaCl. The adhesion of real frozen seawater differed from the NaCl solutions, where an adhesion strength ≈12 kPa is observed even at −25 °C. Given the strong adhesion of ice to marine infrastructure, the results here demonstrate how temperature, salinity, and surface characteristics must be considered when designing materials that can mitigate the icing of marine infrastructure and vessels.

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)0,001
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 enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
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)0,0020,000

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 Opus0,013
Tête enseignante GPT0,259
Écart entre enseignants0,246 · 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

Citations9
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueAdvanced Materials InterfacesMême sujetIcing and De-icing TechnologiesTravaux en français237 207