Uncertainty Quantification of NOx Emission Due to Operating Conditions and Chemical Kinetic Parameters in a Premixed Burner
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
Many sources of uncertainty exist when emissions are modeled for a gas turbine combustion system. They originate from uncertain inputs, boundary conditions, calibration, or lack of sufficient fidelity in a model. In this paper, a nonintrusive polynomial chaos expansion (NIPCE) method is coupled with a chemical reactor network (CRN) model using Python to quantify uncertainties of NOx emission in a premixed burner. The first objective of uncertainty quantification (UQ) in this study is development of a global sensitivity analysis method based on the NIPCE method to capture aleatory uncertainty on NOx emission due to variation of operating conditions. The second objective is uncertainty analysis (UA) of NOx emission due to uncertain Arrhenius parameters in a chemical kinetic mechanism to study epistemic uncertainty in emission modeling. A two-reactor CRN consisting of a perfectly stirred reactor (PSR) and a plug flow reactor (PFR) is constructed in this study using Cantera to model NOx emission in a benchmark premixed burner under gas turbine operating conditions. The results of uncertainty and sensitivity analysis (SA) using NIPCE based on point collocation method (PCM) are then compared with the results of advanced Monte Carlo simulation (MCS). A set of surrogate models is also developed based on the NIPCE approach and compared with the forward model in Cantera to predict NOx emissions. The results show the capability of NIPCE approach for UQ using a limited number of evaluations to develop a UQ-enabled emission prediction tool for gas turbine combustion 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.
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 | 0,001 | 0,003 |
| 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