MétaCan
Menu
Retour à la cohorte
Enregistrement W2089797109 · doi:10.1016/j.phpro.2012.02.118

Implementation for Model of Adsoptive Hydrogen Storage Using UDF in Fluent

2012· article· en· W2089797109 sur OpenAlexaff
Feng Ye, Jinsheng Xiao, Binxiang Hu, Pierre Bénard, Richard Chahine

Notice bibliographique

RevuePhysics Procedia · 2012
Typearticle
Langueen
DomaineMaterials Science
ThématiqueHydrogen Storage and Materials
Établissements canadiensUniversité du Québec à Trois-Rivières
Organismes subventionnairesnon disponible
Mots-clésHydrogen storageHydrogenAdsorptionFluentMaterials scienceConservation of massActivated carbonComputational fluid dynamicsVolume (thermodynamics)MechanicsCarbon fibersThermodynamicsComposite materialChemistryPhysics

Résumé

récupéré en direct d'OpenAlex

This paper builds an axisymmetrical geometry model and simulates the charging, domancy, discharging and domancy processes of hydrogen storage tank based on activated carbon bed in a steel container at room temperature (302K) and medium storage pressure (10 MPa). The CFD model is based on the mass, momentum and energy conservation equations of the hydrogen storage system formed of gaseous and adsorbed hydrogen, activated carbon bed and steel tank wall. The adsorption model is based on Dubinin-Astakov adsorption isotherms. The simulation is implemented using a finite volume method through the computational fluid dynamics commercial software Fluent. User defined functions (UDFs) hooked in Fluent software are given to set the boundary conditions or modify the mass and energy conservation equations.The simulating results have good agreement with experimental results. Results show that the temperature of central region is higher than that near the wall during the charging process,while the temperature of central region is lower than that near the wall during the discharging process.The amount of adsorbed hydrogen is greater than that of the compressed gaseous hydrogen. Hydrogen storage by adsorption on high surface area activated carbon has obvious advantages.

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: aucune
Score de désaccord entre enseignants0,027
Score d'incertitude au seuil0,090

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
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0270,004

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 Opus0,067
Tête enseignante GPT0,343
Écart entre enseignants0,276 · 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

Citations23
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePhysics ProcediaMême sujetHydrogen Storage and MaterialsTravaux en français237 207