Sensitivity Analysis and Accuracy of a CFD-TFM Approach to Bubbling Bed Using Pressure Drop Fluctuations
Notice bibliographique
Résumé
Simulations of fluidized bed (as in fluidized bed gasifiers) have always represented a challenge in chemical engineering, especially with regards to their complexity. Although not necessarily optimally adapted for biomass processing, such systems are already available on the market and it is of outmost importance to find economical approaches to optimise such reactors, especially when operating at large scale. Validation of CFD simulations for such systems has been so far possible using different sophisticated tools, allowing to link the model with experimental data. However, such high tech equipment may not always be available, especially at industrial scale. Hence, this article focuses on investigating the accuracy and numerical sensitivity of using the power spectrum distribution (PSD) to validate both a 2D and a 3D CFD models of a fluidized bed. Such tool, although it may look very simple, could help advances the fluidized bed technologies very fast and link CFD models closer to applications. Even though some studies went through pressure drop as a key output for validation purposes, the effect of the sampling time scale on the empirical data validity is lacking. Hence another aspect of this work focuses on the effect of this time scale on the empirical power-spectral density (PSD) which was investigated in order to achieve an optimal situation between simulation time requirement and consistency of the numerical validation with empirical data. The model was first numerically verified by mesh refinement process, after what it was used to investigate the sensitivity with regards to minimum fluidization velocity (as a calibration point for drag law), restitution coefficient and solid pressure term while assessing his accuracy in matching the empirical PSD.
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 | 0,001 | 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 ».