MétaCan
Menu
Retour à la cohorte
Enregistrement W2050198939 · doi:10.1115/ajtec2011-44121

CFD Modelling With Buoyancy Effects for a Heat and Moisture Transfer Ceiling Panel

2011· article· en· W2050198939 sur OpenAlexaffabout
Melanie Fauchoux, Carey J. Simonson, David A. Torvi, Prabal Talukdar

Notice bibliographique

RevueASME/JSME 2011 8th Thermal Engineering Joint Conference · 2011
Typearticle
Langueen
DomaineEngineering
ThématiqueAdsorption and Cooling Systems
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésBuoyancyAirflowComputational fluid dynamicsCeiling (cloud)MoistureHeat transferEnvironmental scienceMechanicsMeteorologyMaterials scienceMechanical engineeringEngineeringPhysics

Résumé

récupéré en direct d'OpenAlex

A heat and moisture transfer panel (HAMP) capable of simultaneously transferring heat and moisture to/from a space to improve indoor air conditions is being developed at the University of Saskatchewan. Experiments have been performed for different air conditions to simulate heating, cooling, humidification and dehumidification of the air by the HAMP. A latent effectiveness value is calculated for each test to show the performance of the HAMP. The HAMP has the highest effectiveness (∼45%) when used to cool the airflow. When used to heat the airflow, the effectiveness is much lower (∼25%). This difference can be attributed to the presence of large buoyancy forces during cooling in comparison to heating. To observe the flow field characteristics under the varying test conditions, a computational fluid dynamics (CFD) model is developed. The CFD model is able to provide a better insight into the features of the flow field. The presented streamlines and isotherms exhibit the effect of buoyancy for various conditions and help in understanding the experimentally determined effectivenesses.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,047
Score d'incertitude au seuil0,094

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,037
Tête enseignante GPT0,171
Écart entre enseignants0,135 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2011
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueASME/JSME 2011 8th Thermal Engineering Joint ConferenceMême sujetAdsorption and Cooling SystemsTravaux en français237 207