Review of Hybrid Emissions Prediction Tools and Uncertainty Quantification Methods for Gas Turbine Combustion Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
There is a need for fast and reliable emissions prediction tools in the design, development and performance analysis of gas turbine combustion systems to predict emissions such as NOx, CO. Hybrid emissions prediction tools are defined as modelling approaches that (1) use computational fluid dynamics (CFD) or component modelling methods to generate flow field information, and (2) integrate them with detailed chemical kinetic modelling of emissions using chemical reactor network (CRN) techniques. This paper presents a review and comparison of hybrid emissions prediction tools and uncertainty quantification (UQ) methods for gas turbine combustion systems. In the first part of this study, CRN solvers are compared on the bases of some selected attributes which facilitate flexibility of network modelling, implementation of large chemical kinetic mechanisms and automatic construction of CRN. The second part of this study deals with UQ, which is becoming an important aspect of the development and use of computational tools in gas turbine combustion chamber design and analysis. Therefore, the use of UQ technique as part of the generalized modelling approach is important to develop a UQ-enabled hybrid emissions prediction tool. UQ techniques are compared on the bases of the number of evaluations and corresponding computational cost to achieve desired accuracy levels and their ability to treat deterministic models for emissions prediction as black boxes that do not require modifications. Recommendations for the development of UQ-enabled emissions prediction tools are made.
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.
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 | 0,004 |
| 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 découle