MétaCan
Menu
Retour à la cohorte
Enregistrement W4405141544 · doi:10.1002/aic.18667

Characterizing binary droplet collisions of power‐law fluids

2024· article· en· W4405141544 sur OpenAlexfundno aff
A.H. Huijgen, P.M. Durubal, Cristina García Llamas, K.A. Buist, J.A.M. Kuipers, M.W. Baltussen

Notice bibliographique

RevueAIChE Journal · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueFluid Dynamics and Heat Transfer
Établissements canadiensnon disponible
Organismes subventionnairesDiagnostic Services ManitobaFrieslandCampinaDanoneInstitute for Sustainable Process Technology
Mots-clésPower lawPower-law fluidNon-Newtonian fluidNewtonian fluidMechanicsIndex (typography)Statistical physicsCollisionWeber numberLawPhysicsClassical mechanicsMathematicsComputer scienceReynolds numberStatisticsTurbulence

Résumé

récupéré en direct d'OpenAlex

Abstract This study focuses on the dynamics of two equal‐sized droplets of non‐Newtonian liquids with simulations using the volume of fluid method and the local front reconstruction method. The non‐Newtonian behavior is implement via a power‐law model. The droplet interactions are performed for Weber numbers ranging from 20 to 300 and impact parameters from 0 to 0.6. Both methods produce similar results at low Weber numbers, while the disintegration of the droplets at high Weber numbers occurs via different mechanisms. Our results demonstrate that the boundaries of the collision maps are highly dependent on the power‐law index. Additionally, the diameter of the ring for head‐on collisions is increased with increasing Weber number and decreasing power‐law index, while the critical ligament length in off‐center collisions increases with Weber number and power‐law index.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,916
Score d'incertitude au seuil0,387

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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)0,0000,000

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 Opus0,008
Tête enseignante GPT0,222
Écart entre enseignants0,214 · 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 tête enseignante, 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

Citations2
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAIChE JournalMême sujetFluid Dynamics and Heat TransferTravaux en français237 207