MétaCan
Menu
Retour à la cohorte
Enregistrement W2885804113 · doi:10.36884/jafm.9.si2.25830

Analysis of Aged Oil on the Cooling of Power Transformers from Computational Fluid Dynamics and Experimental Measurements

2016· article· en· W2885804113 sur OpenAlexaff
K. S. Kassi, Marie‐Isabelle Farinas, I. Fofana, C. Volat

Notice bibliographique

RevueJournal of Applied Fluid Mechanics · 2016
Typearticle
Langueen
DomaineEngineering
ThématiquePower Transformer Diagnostics and Insulation
Établissements canadiensUniversité du Québec à Chicoutimi
Organismes subventionnairesnon disponible
Mots-clésTransformerComputational fluid dynamicsMechanicsElectrical engineeringPhysicsEngineeringVoltage

Résumé

récupéré en direct d'OpenAlex

In this paper, experimental and numerical investigations were conducted to study the aging impact on the cooling capacity of mineral oils in power transformers.The experimental investigations had three objectives.Firstly the study of the impact of oil aging on its physicochemical properties using two diagnostic techniques which are: DDP (Dissolved Decay Products) according to ASTM (American Society for Testing and Materials)-D6802 standard and Interfacial Tension (IFT) according to ASTM-D971 standard.Secondly,the study of the impact of oil aging on its viscosity according to ASTM D445.Finally the development of empirical equations depicting oil viscosity changes, to be implemented in the numerical model.To achieve this, accelerated thermal aging tests of mineral oil samples were conducted in laboratory conditions according to ASTM D-1934standard.Data from experimental investigations were used to conduct the numerical investigations.A 2D axisymmetric numerical model was developed with COMSOL Multiphysics 4.3a to study the cooling capability of oil aged at different levels.The results indicate that the oil physicochemical properties are affected by aging.Furthermore the results show that the oil viscosity increase with aging and give a good correlation between viscosity and aging indicators.Finally it was found that sludge from oil oxidation byproduct contributes to the formation of hotspots and this leads to a significant increase of hotspot temperature in the power transformers.

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: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

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

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,211
Écart entre enseignants0,199 · 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'étudeExpérimental (laboratoire)
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

Citations8
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Applied Fluid MechanicsMême sujetPower Transformer Diagnostics and InsulationTravaux en français237 207