MétaCan
Menu
Retour à la cohorte
Enregistrement W2610516320 · doi:10.36487/acg_rep/1704_20_trapani

Computational fluid dynamic modelling of the Frood-Stobie ice stope thermal storage for mine ventilation heating

2017· article· en· W2610516320 sur OpenAlexaff
Kim Trapani, Zhuo Chen

Notice bibliographique

RevueDeep mining · 2017
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSmart Materials for Construction
Établissements canadiensLaurentian UniversityCentre for Excellence in Mining Innovation
Organismes subventionnairesnon disponible
Mots-clésEnvironmental scienceIcingInletVentilation (architecture)Heat transferSnowAirflowFluentMeteorologyComputer simulationEngineeringMechanicsMechanical engineeringSimulation

Résumé

récupéré en direct d'OpenAlex

Deep mines are subject to increased heat loads from the ventilation air, which undergoes auto-compression and increases approximately 1°C per 100 m. Also, mines located in sub-arctic climates require the mine ventilation air to be heated in winter to ensure that icing does not occur within the ventilation shaft. Ice stopes, a system by which ice is created underground by spraying warm return service water onto the cold incoming air in winter, can be utilised for both heating and cooling. The ice storage can be maintained till cooling is required in summer, at which point the ice is melted and the resulting chilled water is similarly sprayed onto the oncoming ventilation air to cool it down, in a bulk air cooler. Computations fluid dynamics simulation, using ANSYS Fluent, was conducted to allow more control on the system and optimise the ice creation within the stope. Simulation results showed higher snow yields and heat transfer efficiencies in colder temperatures with simulations conducted for -5 to -30°C. The maximum air temperature which could be achieved at the stope air outlet, while still resulting in the water particles being fully frozen, was approximately -2.2°C. A linear correlation could be derived between the optimal water flow rate required (for maximum heating and ice fraction of one) and the inlet air temperature, allowing some control on the system’s performance. Future work will concentrate on establishing the best water spray parameters to melt the ice within the stope and produce chilled water to be used in the bulk air cooler.

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: Empirique
Score de désaccord entre enseignants0,023
Score d'incertitude au seuil0,045

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,020
Tête enseignante GPT0,239
Écart entre enseignants0,218 · 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

Citations2
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDeep miningMême sujetSmart Materials for ConstructionTravaux en français237 207