MétaCan
Menu
Retour à la cohorte
Enregistrement W4403629513 · doi:10.1021/acsearthspacechem.4c00199

Model-Measurement Comparisons for Surfactant-Containing Aerosol Droplets

2024· article· en· W4403629513 sur OpenAlexfundno aff
Alison Bain, Nønne L. Prisle, Bryan R. Bzdek

Notice bibliographique

RevueACS Earth and Space Chemistry · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueParticle Dynamics in Fluid Flows
Établissements canadiensnon disponible
Organismes subventionnairesH2020 European Research CouncilNatural Sciences and Engineering Research Council of CanadaAcademy of FinlandNatural Environment Research CouncilSight Research UK
Mots-clésAerosolPulmonary surfactantMaterials scienceEnvironmental scienceChemical engineeringNanotechnologyChemistryOrganic chemistryEngineering

Résumé

récupéré en direct d'OpenAlex

Surfactants are important components of atmospheric aerosols, potentially impacting their hygroscopic growth and eventual activation into cloud droplets. By adsorbing at the air-water interface, surfactants lower the surface tension of aqueous systems. However, in microscopic aerosol droplets, the bulk surfactant concentration can become depleted because of the droplets' high surface-area-to-volume ratio, reducing the bulk surfactant concentration at equilibrium and increasing droplet surface tension. Partitioning models have been developed to account for the concentration- and size-dependencies of surface tension, but these models have rarely been assessed against experimentally measured droplet surface tensions. Here, we directly compare surface tension predictions made using a simple kinetic partitioning model and a thermodynamic monolayer partitioning model against experimentally measured picoliter droplet surface tensions for 12 surfactant-cosolute systems. Surface tension predictions were also made across 8 orders of magnitude in droplet radius. The largest differences between model predictions were associated with the predicted onset of bulk depletion. The quality of the isotherm or parametrization fit to the macroscopic data most strongly influenced a model's ability to accurately predict droplet surface tension. These results highlight the importance of validating partitioning models against droplet surface tension measurements in size ranges where bulk depletion is expected to occur and motivate collection of high-quality macroscopic surface tension data sets that serve as model inputs. The results also validate both models' abilities to predict aerosol surface tension across size and composition, which will facilitate their eventual incorporation into cloud parcel models to explore the impact of surface tension assumptions on cloud droplet number concentration.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,029
Tête enseignante GPT0,234
Écart entre enseignants0,205 · 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'étudeSimulation ou modélisation
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

Citations10
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueACS Earth and Space ChemistryMême sujetParticle Dynamics in Fluid FlowsTravaux en français237 207