Characterization of the acoustic cavitation in ionic liquids in a horn-type ultrasound reactor
Notice bibliographique
Résumé
Most ultrasound-based processes root in empirical approaches. Because nearly all advances have been conducted in aqueous systems, there exists a paucity of information on sonoprocessing in other solvents, particularly ionic liquids (ILs). In this work, we modelled an ultrasonic horn-type sonoreactor and investigated the effects of ultrasound power, sonotrode immersion depth, and solvent’s thermodynamic properties on acoustic cavitation in nine imidazolium-based and three pyrrolidinium-based ILs. The model accounts for bubbles, acoustic impedance mismatch at interfaces, and treats the ILs as incompressible, Newtonian, and saturated with argon. Following a statistical analysis of the simulation results, we determined that viscosity and ultrasound input power are the most significant variables affecting the intensity of the acoustic pressure field (P), the volume of cavitation zones (V), and the magnitude of the maximum acoustic streaming surface velocity (u). V and u increase with the increase of ultrasound input power and the decrease in viscosity, whereas the magnitude of negative P decreases as ultrasound power and viscosity increase. Probe immersion depth positively correlates with V, but its impact on P and u is insignificant. 1-alkyl-3-methylimidazolium-based ILs yielded the largest V and the fastest acoustic jets – 0.77 cm3 and 24.4 m s−1 for 1-ethyl-3-methylimidazolium chloride at 60 W. 1-methyl-3-(3-sulfopropyl)-imidazolium-based ILs generated the smallest V and lowest u – 0.17 cm3 and 1.7 m s−1 for 1-methyl-3-(3-sulfopropyl)-imidazolium p-toluene sulfonate at 20 W. Sonochemiluminescence experiments validated the model.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».