Numerical approaches and analysis of spray characteristics for pressuriser nozzles
Notice bibliographique
Résumé
Abstract Volume of fluid (VOF) method combined with primary breakup model (PBM) is developed to model large flow rate pressure‐swirl nozzle used in pressuriser of the pressurised water reactor (PWR) power plant system. For the VOF model, the renormalisation‐group (RNG) K – ϵ model is selected to ensure the accuracy of simulation for swirling flows. The 3‐D transient flow is simulated and the dynamic stability of the injection pattern is analysed for the nozzle. Based on the growth rate of the disturbance at the interface of the two phases, PBM is embedded in the VOF model in the form of user defined functions (UDF) to investigate the further breakup from sheet to spray drop and predict the spray drop size spectrum. In addition, experimental studies, considering the characteristics of mass flow rate, spray cone angle, spray flux distribution and drop size spectrum, were conducted to verify accuracy of the numerical results. The result of comparison shows that there is good agreement between the simulated results and the experimental data. Especially, the distribution tendency of the spray drop size simulated by PBM fits the experimental value well and the drop size corresponding to the maximum probability is predicted successfully. The present investigation shows that the VOF–PBM methodology can be applied to simulate the pressure‐swirl nozzle and optimise design of spraying systems.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».