XiaoMi-AI文件搜索系统
World File Search SystemViscosity
细胞外流体粘度增强基因递送
在基因组医学时代，转基因的递送已成为遗传疾病和癌症精确细胞疗法的组成部分1。例如，使用病毒和非病毒递送平台的嵌合抗原受体（CAR）T细胞（一种用于治疗B细胞恶性肿瘤的收养细胞疗法）是在体内生产的（在体内），将CAR遗传构建体引入T细胞2。在细胞内部，将CAR基因转化为CAR蛋白，武装T细胞，能够靶向和消除癌细胞，一旦转移回体内。有效地制造了CAR T细胞和类似的细胞疗法在克服细胞递送的生物学障碍中的性能的性能方面取决于3。输送平台及其封装的货物被细胞通过内吞作用4捕获4。这些途径已被证明对生物物理线索敏感，例如剪切应力，细胞外基质刚度和生理环境中的液压敏感5-7。现在，在自然化学工程中报告，硕士，Zhu和同事将细胞外流体粘度确定为介导
开尔文 - 霍尔姆·霍尔茨（Kelvin-Helmholtz
上下文。磁性零点与高能冠状现象相关，例如太阳浮动，通常是重新计算和颗粒加速度的位置。磁性零点的动态扭曲可以在其风扇平面内产生开尔文 - 螺旋不稳定（KHI），并且可以激发脊柱扇形重新连接，并在持续扭曲下的零点的相关崩溃。目标。本文旨在比较在KHI模拟中的各向同性和各向异性粘度的影响，并在动态扭曲的磁性空点中崩溃。方法。，我们使用具有自定义各向异性粘度模块的3D磁水动力学Lare3d进行了模拟。进行了一对高分辨率模拟，一种使用各向同性粘度，另一种使用各向异性粘度，使所有其他因素保持相同。我们详细分析了结果。在粘度和电阻率的一系列值范围内进行了进一步的参数研究。结果。这两个粘度模型都允许KHI的生长和无数点的最终崩溃。在所有研究的参数上，各向异性粘度允许增长的不稳定性，而各向同性粘度在某些情况下会降低稳定性的不稳定性。尽管与各向异性粘度相关的粘性加热通常较小，但欧姆加热占主导地位，并通过不稳定性产生的当前床单增强。使用各向异性粘度时，这会导致更高的总体加热率。当采用各向异性粘度时，零点的崩溃会明显发生。
新型透明事故填充剂的粘膜，粘性和粘度
摘要储存和损耗模量（G'; g”），凝聚力和透明质酸（HA）的粘度是美学上的关键因素。目标。本研究旨在评估三个面部体积的特性：Gahya量，Gahya Light和Gahya Classic。方法论。这些流变特性是在旋转流变仪中进行的（TA-INSTRUMENTS AR-1500EX）。用于分析的样品体积为1.0 mL。频率扫描以10.0至0.01 Hz的范围进行15分。评估了以下参数：考虑频率变化，粘性和粘度的粘弹性（G'和G”）。用于比较结果两比两个的统计方法是具有显着性水平的未配对t检验（p = 0.05）。结果。结果表明，在比较GahyaClassic®和GahyaLight®样品以及GahyaClassic®和GahyaVolmege®之间的G'时，G'在统计上有所不同（P <0.05）。gahyaclassic®和gahyavolume®与g的gahyavolume®显示出显着差异”（p <0.05）。样品之间的粘度没有显着差异。GahyaLight®和GahyaClassic®具有更好的弹性和粘度，而GahyaLight®和GahyaVolume®具有更好的凝聚力。结论。gahyaLight®具有分析性质的最佳行为。关键字：透明质酸；流变学；物理特性；凝聚力；粘弹性。objetivo。Metodogia。o卷Da AmostraparaAnálisefoi de 1,0毫升。结果。摘要储存和损失模块（G'; g”），凝聚力和透明质酸粘度（HA）是审美体积中要考虑的关键因素。这项研究的目的是评估三个研究性能的面部体积：Gahya量，Gahya Light和Gakya Classic。这些流变特性是在旋转重新填充（TA-Instrumes AR-1500EX）中进行的。频率扫描在10.0至0.01 Hz的范围内进行15分。评估了以下参数：考虑频率，粘性能和粘度的变化，粘弹性（G'和G”）。用于比较结果的统计方法两到第二个是具有显着性水平的非类似t检验（p = 0.05）。结果表明，G'在GakyaClassic®和GaeyaLight®样品以及GakyaClassic®和GakyaVolmegy®之间的比较中统计上有所不同（P <0.05）。GahyaClassic®和GakyaVolume®与GakyaVolume®到G的差异显着差异（p <0.05）。样品之间在粘度方面没有显着差异。GaohyaLight®和GakyaClassic®具有更好的弹性和粘度，GahyaLight®和GakyaVolume®具有更好的内聚能量。结论。gahyaLight®提出了分析特性的最佳行为。关键字：透明质酸；重复学；物理特性；凝聚力；粘弹性。目标。如果在总结了存储和损耗模块（G'; g”），透明质酸（AH）的凝聚力和粘度是在美学体积中考虑的关键因素。
粘度非单调组成依赖性在将单链纳米颗粒添加到纠缠聚合物
摘要：特征良好的单链纳米颗粒（SCNP），通过在稀的条件下从线性聚苯乙烯前体进行合成，通过分子内[4 + 4]热环节交联反应，添加到不同浓度的纠缠聚苯二烯熔体中。从纯线性熔体开始，比SCNP的熔体更具粘性，零剪切粘度在添加纳米颗粒后增加并达到最大值，然后最终降至SCNP熔体的值。分子模拟揭示了这种意外行为的起源，这是两个组成部分动力学截然不同的组成依赖性的相互作用。SCNP的浓度降低，因为它们的浓度降低，因为它们是由线性链拧紧的，达到的最大粘度高于分数约20％的线性链的最大粘度。将这种行为类似于将单环聚合物添加到线性矩阵中的行为。这一发现提供了有关SCNP作为聚合物的有效熵粘度修饰符的设计和使用的见解，并有助于讨论循环结构的物理学。
熔体流量指数：比较聚合物的剪切粘度测量的优势
使用MVR是熔体量速率（CM³/10分钟）MFI是熔体流量指数（G/10min）¶是聚合物熔体（G/CM³）的密度。这种转换允许在已知密度时变化使用MFI和MVR，从而在具有不同密度的材料之间使得对可容纳。评估回收物时，这特别有用，由于污染，降解或不同聚合物等级的混合而导致的密度可能会有所不同。但是，尽管MFI方便这些比较，但它们仅对聚合物的流量表征有限。两个指标中的每一个仅描绘了流曲线上的单个数据点，这些数据点在特定条件下得出，这些条件不模仿高剪切速率和典型的工业处理过程。在比较回收物时，这种限制尤其重要，因为这些材料可以在行为上表现出很大的变化，而行为并非仅由MFI捕获。
丙二醇和水 (75:25)/石墨烯+MWCNT 纳米流体粘度的响应面方法
相关误差指数用于评估预期结果与实验结果之间的匹配程度。图 5 显示了与四种不同模型相关的指数。图 4 显示了数据与直线平分线的比较。非线性模型中数据变化越大，表示准确度越低，而直线上数据分散度越大，表示准确度越高。图 4 中，实验数据显示在 x 轴上，而模型预测绘制在 y 轴上。图 4 显示，与竞争模型相比，立方模型提供了最
丙烯和水的响应表面进近（75:25）/石墨烯+MWCNT纳米流体粘度
相关误差指数用于评估预期和实验结果相互匹配的程度。图5显示了与四个不同模型中的每个模型相关的索引。数据与直双分配器线的比较如图4。非线性模型中较高的数据变化表示准确性较小，而半线上的较大数据分散体表示更好的精度。实验数据显示在X轴上4。图4显示，与竞争模型相比，立方模型提供了最多的
sutterby nanofluid的生物转化流，可拉长片上有动感微生物：指数变化的粘度
摘要。目前的工作研究了纳米材料和微生物的存在在可伸缩的表面上不可压缩的非牛顿sutterby液体的生物概要转向运动。液体在整个泄漏区域流动，并受均匀垂直磁场的影响。除了指数空间的热源外，欧姆和非牛顿耗散还建立了能量扩散，而纳米材料的传播则可以通过化学反应到达。物理构型被力，温度，纳米体积分数和微生物的公式以及适当的边框标准覆盖。这项工作的新方面由于考虑了粘度与温度，微生物和纳米颗粒的指数分布的考虑。此外，鉴于其较大的应用范围，微生物在流过拉伸表面的流程中的参与增加了另一个创新的特征。非线性部分差分公式的最重要格式被转换为普通的，提供合适的匹配转换器。这些公式通过四阶runge-kutta数值技术进行了审查，并支持拍摄标准。因此，实现了客观分布的算术和图形基础。检查结论，并总结了重大结果。从结果中完成了几种重要的身体。热轮廓改善了有效的因素，这是可以在各种含义中采用的出色规则。微生物的积累随着粘度变化的增加而增加，而随着小子，刘易斯数量和生物对流常数的增长，它会降低。此类发现可能对通过相似的流量期望这些微观生物的行为有用。
使用Brillouin光散射测量的血浆纵向粘度的诊断潜力
许多疾病与血浆粘度（PV）的变化有关。测量这些是耗时的，通常需要大量的血浆。在这里，我们表明布里鲁因光散射（BLS）光谱法（一种探测高频率纵向声学模式的传播和衰减的技术）可以识别出微级别的粘度的变化 - 一秒钟内的粘度 - 大小的体积。这是COVID -19（COV）患者的血浆，该血浆表现出升高的PV。还表明，使用BLS测量的粘度包含其他独特信息，这些信息可以辨别出可能具有诊断价值的悬浮液，这些悬浮液在患有严重疾病进展的COV患者中似乎更存在。
基于学习的深度涡流粘度建模，用于改善虚张声势的风压
准确预测建筑物的风压对于设计安全有效的结构至关重要。现有的计算方法，例如Reynolds-平均Navier-Stokes（RANS）模拟，通常无法在分离区域准确预测压力。本研究提出了一种新型的深度学习方法，以增强涡轮闭合泄漏范围内的涡流建模的准确性和性能，尤其是改善了虚张声板体空气动力学的预测。经过大型涡流模拟（LES）数据的深度学习模型，用于各种虚张声势的身体几何形状，包括扁平屋顶的建筑物和前进/向后的台阶，用于调整RANS方程式中的涡流粘度。结果表明，合并机器学习预测的涡流粘度可显着改善与LES结果和实验数据的一致性，尤其是在分离气泡和剪切层中。深度学习模型采用了一个神经网络体系结构，具有四个隐藏层，32个神经元和Tanh激活功能，该功能使用ADAM优化器进行培训，学习率为0.001。训练数据由LES模拟组成，用于向前/向后面向宽度比率为0.2至6的步骤。研究表明，机器学习模型在涡流粘度方面达到了平衡，从而延迟了流动的重新安装，从而比传统的湍流闭合（如K-ωSST和K-ε），导致更准确的压力和速度预测。灵敏度分析表明，涡流粘度在控制流，重新分布和压力分布中的关键作用。此外，研究强调了RANS和LES模型之间的涡流粘度值的差异，从而强调了增强湍流建模的需求。本文提出的发现提供了实质性的见解，可以告知针对工程应用程序量身定制的更可靠的计算方法，包括结构性设计的风负荷考虑以及不稳定空气动力学现象的复杂动态。