Notice bibliographique
Résumé
The accurate modeling of systems containing water and hydrocarbons is important to support key decisions related to the design, simulation, and optimization of a variety of industrial processes, ranging from refineries, to gas plants and liquified natural gas processing facilities. Processes of interest for the production of hydrocarbons now include widely different temperatures and pressure ranges, making the use of empirical models to simulate the behavior of water and hydrocarbon mixtures awkward and prone to inconsistencies. In this work we show that the use of the Peng–Robinson equation of state using the Huron–Vidal mixing rule combined with the nonrandom two-liquid model and temperature-dependent interaction parameters provide an accurate platform to correlate mutual solubility data for a variety of hydrocarbons. Moreover, the interaction parameters were correlated on the basis of simple molecular descriptors such as molecular weight and the paraffin, iso-paraffin, olefin, naphthene, and aromatic (PIONA) chemical family classification and Watson-K factor. The model shows an absolute average error in water mole fraction in the hydrocarbon phase equal to 34% and an absolute average error in the hydrocarbon mole fraction in the aqueous phase equal to 98% using the PIONA-based parameters and an absolute average error in water mole fraction in the hydrocarbon phase equal to 34% and an absolute average error in the hydrocarbon mole fraction in the aqueous phase equal to 148% using the Watson-K factor based parameters. The method can be used for systems defined using pure or pseudocomponents and is easily integrated within the structure of existing process simulators.
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 ».