Viscous droplets impact on rough surfaces
Notice bibliographique
Résumé
We experimentally investigate the dynamics of viscous droplets impacting on rough surfaces under a broad range of Weber number ( 2 ≤ We ≤ 1 , 194 ), Ohnesorge number ( 0 . 002 ≤ Oh ≤ 2 . 630 ), and average surface roughness ( 9 . 7 μ m ≤ R a ≤ 19 . 5 μ m ). Three primary impact outcomes—jetting, spreading, and splashing—are observed. Our findings reveal that surface roughness promotes splashing by amplifying perturbations, while liquid viscosity counters this effect by dissipating the kinetic energy of the advancing lamella. We empirically describe the splashing threshold with the relation as Oh Re χ ( R a ) = K ( R a ) , where the fitting parameter K ( R a ) increases and χ ( R a ) decreases with greater surface roughness. Moreover, the maximum spreading factor ( β m ), defined as the ratio of the droplet’s maximum spreading diameter to its initial diameter, shows a pronounced dependence on surface roughness in low-viscosity conditions ( Oh < 0 . 050 ), but this dependence diminishes in high-viscosity regimes ( Oh ≥ 0 . 050 ). This trend results from the interplay between viscous dissipation induced by surface roughness and the intrinsic liquid viscosity. In the low-viscosity regime, the experimental β m is consistent with the empirical scaling law of β m = a ( We / Oh ) b , with the fitting constants, a and b , varying with surface roughness and liquid properties. In the regime of 0 . 050 < Oh < 1 , β m approximates ( We / Oh ) 1 / 6 . These findings elucidate the significant role of surface roughness and liquid viscosity in governing droplet impact dynamics and spreading.
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 | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».