MétaCan
Menu
Retour à la cohorte
Enregistrement W2051484498 · doi:10.1115/fedsm2002-31284

PIV Investigations of Particle Velocities in the Tongue Region of a Slurry Pump

2002· article· en· W2051484498 sur OpenAlexfundno aff
Pathom Charoenngam, A. Subramanian, Jaikrishnan R. Kadambi, Mark P. Wernet, John M. Sankovic, Graeme Addie, Robert Courtwright

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueErosion and Abrasive Machining
Établissements canadiensnon disponible
Organismes subventionnairesGlobal Institute for Water Security, University of SaskatchewanCase Western Reserve University
Mots-clésImpellerSlurryCasingKinetic energyCentrifugal pumpMaterials scienceParticle (ecology)Particle image velocimetryMechanism (biology)MechanicsMechanical engineeringComposite materialGeologyEngineeringPhysicsTurbulence

Résumé

récupéré en direct d'OpenAlex

Transport of solid-liquid slurries in pipeline transport over short and medium distances is very important in many industries, including mining related processes. The particle image velocimetry technique was successfully utilized to investigate the velocities and kinetic energy fluctuations of slurry particles at the tongue region of an optically-clear centrifugal pump. The experiments were conducted using 500 micron glass beads at volumetric concentrations of 2.5% and 5% at pump speeds of 725 and 1000 rpm. The fluctuation kinetic energy increased approximately 200% to 500% as the pump speed was increased from 725 rpm to 1000 rpm. The directional impingement mechanism is more significant at the pressure side of the blade, tongue and the casing. This mechanism becomes more important as the speed increases. This suggests that the impeller, tongue and the casing of the slurry pump can wear out quickly, especially with an increase in speed. In this paper the emphasis is on the tongue region. The random impingement mechanism caused by the fluctuation kinetic energy of the solids can play an important role on the erosion of the tongue area.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,043
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,047
Tête enseignante GPT0,234
Écart entre enseignants0,187 · 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 tête enseignante, pas un consensus.

Devis d'étudeObservationnel
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
Publié2002
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetErosion and Abrasive MachiningTravaux en français237 207