Impact of coagulation characteristics on the aggregation of microplastics in upper-ocean turbulence
Notice bibliographique
Résumé
The dynamics and aggregation of microplastics in marine environments are investigated through high-fidelity direct numerical simulations with Lagrangian point-particle tracking. The properties of microplastics and biogenic particles, including size, density, and concentration, align with scenarios typical of seawater systems. The stickiness nature of microplastics, induced by biofilm formation (biofouling), is modeled through coagulation efficiency (stickiness parameter), which represents the probability of aggregation following a collision event. Two main aspects are at the core of the present work: analyzing the mechanisms of collision and coalescence between microplastics and biogenic particles, along with their spatial distribution, and characterizing the emerging aggregates. The results indicate that particles stickiness, concentration and (especially) size impact on the collision and coalescence rates. Furthermore, microplastics exhibit a strong tendency to accumulate near biogenic particles, leading to the creation of hetero-aggregates whose tendency to sink supports the general hypothesis of “missing microplastics”. Particularly, in cases where microplastics and biogenic particles are evenly concentrated, microplastics primarily contribute to the formation of aggregates. The stickiness mainly determines the most complex and large aggregates, which are less than 1% of the total. • Microparticles model within upper-ocean turbulence is examined. • Properties of microparticles influence their dynamics and aggregate formation. • Wide range of aggregates created, including both lighter and heavier than water. • Aggregates formation makes microplastics sink by coagulating with biogenic material.
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 ».