Transient simulation of the oscillatory injection of water–ethanol mixtures into an inductively-coupled radio frequency thermal plasma
Notice bibliographique
Résumé
Abstract This study investigates the effects of oscillatory water–ethanol injection on the temperature, velocity, and species distributions within an inductively-coupled radio frequency (RF) thermal plasma, using a transient 2D-axisymmetric computational fluid dynamics model. The simulation models a TEKNA PL-35 RF plasma torch, operated with an argon–oxygen gas mixture, accounting for various species such as electrons, atoms, molecules, and ions. The water–ethanol solution is injected through a probe into the plasma core with sinusoidal velocity, replicating the effects of a peristaltic pump. Validation of the model is performed through comparison with previously published numerical data, demonstrating good conformity. The study explores the influence of frequency and molar concentration of the injected water–ethanol mixture, and operating pressure on key plasma characteristics, including electron density and temperature distribution. Results indicate that applying an oscillatory velocity pattern for central fluid injection into the plasma reduces the overall plasma temperature, particularly near the probe outlet. Additionally, it leads to a more uniform temperature distribution by decreasing sharp temperature gradients at the torch outlet. Furthermore, higher operating pressures increase electron density, which enhances energy transfer through mechanisms such as electron impact reactions. This improved energy transfer promotes a more uniform temperature distribution, leading to greater plasma uniformity. These results suggest that the oscillatory injection can promote more uniform heating of precursor materials, which is vital for applications such as coating deposition and powder synthesis.
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 ».