MétaCan
Menu
Retour à la cohorte
Enregistrement W2889533745 · doi:10.1515/revce-2017-0104

Laminar mixing of non-Newtonian fluids in static mixers: process intensification perspective

2018· article· en· W2889533745 sur OpenAlexafffund
Sinthuran Jegatheeswaran, Farhad Ein‐Mozaffari, Jiangning Wu

Notice bibliographique

RevueReviews in Chemical Engineering · 2018
Typearticle
Langueen
DomaineChemical Engineering
ThématiqueRheology and Fluid Dynamics Studies
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésLaminar flowNewtonian fluidNon-Newtonian fluidMechanicsMixing (physics)ViscoelasticityPressure dropFluid dynamicsReynolds numberComplex fluidMaterials scienceComputational fluid dynamicsClassical mechanicsComputer sciencePhysicsThermodynamicsTurbulence

Résumé

récupéré en direct d'OpenAlex

Abstract Static mixers are widely used in various industrial applications to intensify the laminar mixing of non-Newtonian fluids. Non-Newtonian fluids can be categorized into (1) time-independent, (2) time-dependent, and (3) viscoelastic fluids. Computational fluid dynamics studies on the laminar mixing of viscoelastic fluids are very limited due to the complexity in incorporating the multiple relaxation times and the associated stress tensor into the constitutive equations. This review paper provides recommendations for future research studies while summarizing the key research contributions in the field of non-Newtonian fluid mixing using static mixers. This review discusses the different experimental techniques employed such as electrical resistance tomography, magnetic resonance imaging, planar laser-induced fluorescence, and positron emission particle tracking. A comprehensive overview of the mixing fundamentals, fluid chaos, numerical characterization of fluid stretching, development of pressure drop correlations, and derivations of generalized Reynolds number is also provided in this review paper.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
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: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
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 Opus0,014
Tête enseignante GPT0,286
Écart entre enseignants0,272 · 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
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations51
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueReviews in Chemical EngineeringMême sujetRheology and Fluid Dynamics StudiesTravaux en français237 207