MétaCan
Menu
Retour à la cohorte
Enregistrement W2074430601 · doi:10.1002/cjce.21781

Pressure drop optimisation in design of multi‐stream plate‐fin heat exchangers, considering variable physical properties

2013· article· en· W2074430601 sur OpenAlexvenueno aff
Nassim Tahouni, Samira Miryahyaie, Fatemeh Joda, Hamid Reza Fallahi, M. Hassan Panjeshahi

Notice bibliographique

RevueThe Canadian Journal of Chemical Engineering · 2013
Typearticle
Langueen
DomaineEngineering
ThématiqueHeat Transfer and Optimization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPressure dropHeat exchangerFinPlate fin heat exchangerMechanical engineeringMechanicsMaterials sciencePlate heat exchangerThermodynamicsEngineeringPhysics

Résumé

récupéré en direct d'OpenAlex

Abstract A modified method for the design of multi‐stream plate‐fin heat exchangers that considers variable physical properties is proposed in this paper. The new method, based on Pinch Technology, exploits the dependency of physical properties (heat capacity, viscosity, density and thermal conductivity) on temperature variations. A set of temperature correction factors based on variable physical properties is derived for the hot and cold streams of a multi‐stream heat exchanger. This allows calculation of effective stream pressure drops, which can lead to a valid trade‐off between operating and capital cost in the targeting stage. Accordingly, composite curves are constructed; based on the enthalpy intervals, the multi‐stream heat exchanger is subdivided into a number of block sections. A plate‐fin heat exchanger is then designed for each section by maximising the allowable effective pressure drops. Next, using a Genetic Algorithm, the method is completed in order to optimise the pressure drop of streams. Therefore, fin types for each individual stream are considered as optimising variables. By taking the variable physical properties of each stream into account and using the best fin selection, one can achieve accurate results in the design stage.

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 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 enseignants0,129
Score d'incertitude au seuil0,388

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)0,0000,000

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 Opus0,018
Tête enseignante GPT0,176
Écart entre enseignants0,158 · 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.

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

Citations7
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Canadian Journal of Chemical EngineeringMême sujetHeat Transfer and OptimizationTravaux en français237 207