Model-Measurement Comparisons for Surfactant-Containing Aerosol Droplets
Notice bibliographique
Résumé
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 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 ».