Gli esperimenti rivelano la fisica dell'evaporazione

Gli esperimenti rivelano la fisica dell'evaporazione

Durante il processo della fisica dell'evaporazione i cambiamenti di pressione, più della temperatura, influenzano fortemente la velocità con cui i liquidi si trasformano in gas.

È un processo così fondamentale per la vita di tutti i giorni - in ogni cosa, dalla tua caffettiera mattutina alla grande centrale elettrica - che spesso è dato per scontato: il modo in cui un liquido si allontana da una superficie calda.

Eppure sorprendentemente, questo processo di base è stato solo ora, per la prima volta, analizzato in dettaglio a livello molecolare, in una nuova analisi del dottor Zhengmao Lu, (1) del del Massachusetts Institute of Technology, professore di ingegneria meccanica e capo del dipartimento della scienziata Evelyn Wang, (2) e altri tre al Massachusetts Institute of Technology e all'Università di Tokyo. Lo studio appare sulla rivista Nature Communications.

La dottoressa Evelyn Wang spiega: “Si scopre che per il processo di cambiamento di fase liquido-vapore, una comprensione fondamentale è ancora relativamente limitata. Sebbene siano state sviluppate molte teorie, in realtà non ci sono prove sperimentali dei limiti fondamentali della fisica dell'evaporazione. È un processo importante da capire perché è così onnipresente. L'evaporazione è prevalente in diversi tipi di sistemi come la generazione di vapore per centrali elettriche, le tecnologie di desalinizzazione dell'acqua, la distillazione a membrana e la gestione termica, come ad esempio i tubi di calore. Ottimizzare l'efficienza di tali processi richiede una chiara comprensione delle dinamiche in gioco, ma in molti casi gli ingegneri fanno affidamento su approssimazioni o osservazioni empiriche per guidare le loro scelte di materiali e condizioni operative.”

Utilizzando una nuova tecnica per controllare e rilevare le temperature sulla superficie di un liquido, i ricercatori sono stati in grado di identificare un insieme di caratteristiche universali correlate ai cambiamenti di tempo, pressione e temperatura che determinano i dettagli del processo di evaporazione. Nel processo, hanno scoperto che il fattore chiave, che determinava la velocità di evaporazione del liquido, non era la differenza di temperatura tra la superficie e il liquido ma piuttosto la differenza di pressione tra la superficie del liquido e il vapore ambientale.

Strumenti matematici per studiare i tumori

Strumenti matematici per studiare i tumori

L'analisi matematica delle immagini dei tumori infantili aiuta a capire il loro grado di aggressività.

I ricercatori del Dipartimento di Biologia Cellulare dell'Università di Siviglia e dell'Istituto di Biomedicina di Siviglia (IBiS) hanno pubblicato uno studio volto a sviluppare nuove terapie per combattere il cancro infantile.

Questo progetto rappresenta un passo in avanti dello studio del cancro che potrebbe aprire nuove vie di ricerca per aiutare a capire cosa rende un tumore meno aggressivo e come può essere combattuto. Tuttavia, i ricercatori sottolineano che la loro scoperta non rappresenta di per sé una cura per il cancro.

Il neuroblastoma è un tipo di cancro che ha origine durante lo sviluppo del sistema nervoso. Colpisce principalmente i bambini con meno di 18 mesi. È il tumore solido più comune nella prima infanzia e, nonostante i grandi miglioramenti apportati al tasso di guarigione per altri tumori infantili, il tasso di sopravvivenza per i pazienti affetti da questa tipologia tumorale è molto meno soddisfacente.

È evidente che il luogo in cui si trova e la matrice extracellulare che lo supporta svolgono un ruolo importante nella crescita iniziale e nello sviluppo del tumore. Questa impostazione è formata da una rete di fibre e fibrille che, a seconda della loro densità e del modo in cui sono collegate, conferiscono più o meno rigidità a questo microambiente tumorale.

Pertanto, è importante capire in che modo le cellule tumorali sono correlate alla matrice extracellulare e come sono organizzate le fibre e le fibrille. Questo non è facile.

Per raggiungere questo obiettivo, i ricercatori hanno combinato in questo studio l'analisi di immagini di campioni bioptici di tumori da pazienti affetti da neuroblastoma, con nuove procedure matematiche (Graph Theory) che hanno permesso loro di descrivere come sono organizzate le fibrille di vitronectina.

L'apprendimento automatico predice la morte o l'infarto

L'apprendimento automatico predice la morte o l'infarto

L'apprendimento automatico sta superando gli umani nel predire la morte o l'infarto. Questo è quello che suggerisce uno studio presentato recentemente all'ICNC 2019.

Analizzando ripetutamente 85 variabili in 950 pazienti con aspettative di vita di sei anni, un algoritmo ha “imparato” come interagiscono i dati dei loro volti. Ha quindi identificato i modelli che correlavano le variabili alla morte e all'attacco cardiaco con una precisione superiore al 90%.

L'apprendimento automatico, il moderno fondamento dell'intelligenza artificiale (AI), viene utilizzato ogni giorno. Il motore di ricerca di Google, il riconoscimento facciale su smartphone, le auto a guida autonoma, i sistemi di raccomandazione di Netflix e Spotify utilizzano tutti algoritmi di apprendimento automatico per adattarsi al singolo utente.

I medici si basano sui punteggi inerenti alle probabilità di rischio per prendere decisioni terapeutiche. Tuttavia, questi punteggi derivano da una serie di variabili e spesso hanno una precisione modesta nei singoli pazienti. Tuttavia, mediante la reiterazione e l'aggiustamento di alcuni processi di calcolo, l'apprendimento automatico può sfruttare grandi quantità di dati e identificare modelli complessi che potrebbero non essere evidenti agli esseri umani.

L'autore dello studio, il dottor Luis Eduardo Juarez-Orozco, (1) del Turku PET Centre, (2) in Finlandia, ha dichiarato: “Gli umani hanno difficoltà a pensare oltre tre dimensioni (un cubo) o quattro dimensioni (un cubo nel tempo). Il momento in cui saltiamo nella quinta dimensione ci perdiamo. i modelli ad alta dimensionalità sono più utili dei modelli a singola dimensione per prevedere i risultati negli individui e per questo abbiamo bisogno dell'apprendimento automatico.”

Pagine