Pore Network Modeling of Nanoparticle Dispersion in Porous Media
Notice bibliographique
Résumé
Understanding the processes that give rise to hydrodynamic dispersion of nanoparticles in porous media is important not only for assessing the risk from their accidental release in subsurface environments, but also for the design of nanoremediation strategies. Pore network models offer distinct advantages over continuum models, including the ability to account for the distribution of pore-scale velocities, as well as other phenomena that occur at the pore scale and are dependent on the interaction between nanoparticles and the local geometry of the pore space (hindered diffusion, size exclusion, etc.). Adopting a Eulerian approach, we formulate here a pore network model in OpenPNM, and present simulations of nanoparticle transport in a fully-saturated column packed with spherical beads. The pore network which is extracted from a voxel image of the simulated sphere pack is found to accurately represent the permeability, tortuosity and capillary properties of a real column of glass beads. The resulting pore network model is used to investigate an aspect of nanoparticle transport that has so far received limited attention, namely the possible effect of nanoparticle size on dispersivity. To this end, the longitudinal dispersion coefficient is determined by simulating transient advection and diffusion in the pore network, introducing either a pulse or step-change injection, and then fitting analytical solutions to the resulting elution curve. It is found that nanoparticle size influences the dispersion coefficient or the effective particle velocity only when the ratio of particle to bead (solid grain) size is sufficiently high (greater than about 0.01). Under such conditions, the nanoparticles experience an earlier breakthrough due to the velocity profile exclusion. Hindered diffusion is found to play a significant role only when the Peclet number is less than 10. In the absence of such effects, the simulations provide a priori predictions of the longitudinal dispersion coefficient in agreement with a large body of literature data.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».