MétaCan
Menu
Retour à la cohorte
Enregistrement W2903117470 · doi:10.1002/cjce.23422

Improving the network pinch approach for heat exchanger network retrofit with bridge analysis

2018· article· en· W2903117470 sur OpenAlexaffvenue
Jean‐Christophe Bonhivers, Alireza Heravi Moussavi, Roman Hackl, Mikhaı̈l Sorin, Paul Stuart

Notice bibliographique

RevueThe Canadian Journal of Chemical Engineering · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueProcess Optimization and Integration
Établissements canadiensUniversité de SherbrookePolytechnique Montréal
Organismes subventionnairesnon disponible
Mots-clésPinch analysisPinchHeat exchangerBridge (graph theory)Computer scienceNetwork analysisEnergy (signal processing)EngineeringMechanical engineeringElectrical engineeringMathematics

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Economic and environmental benefits result from increasing the energy efficiency of industrial systems. This article presents the application of bridge analysis concepts to improve the methodology of network pinch for heat exchanger network retrofit. In two simple examples, we compare bridge analysis with the network pinch approach, in terms of saving energy by heat exchanger network improvement. The first example is solved with both methods, while the second can only be solved by bridge analysis. In the first example, three different solutions are proposed, and the third solution leads to 3800 kW energy savings, i.e., the full savings capacity. In the second example, no heat can be saved using the network pinch approach, but two solutions are proposed using bridge analysis, which lead to 395 kW energy savings, i.e., the full savings capacity. Then, we discuss the advantages and limits of pinch analysis and the network pinch approach. Bridge analysis provides a broader perspective on pinch analysis, explains the natural presence of a pinch in a network, shows that removing cross pinch transfers is not necessary to save energy, and helps improve heuristics for creating new cooler‐heater paths in the network pinch procedure.

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)0,003
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: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,031

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0090,001

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 Opus0,009
Tête enseignante GPT0,180
Écart entre enseignants0,171 · 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
GenreMéthodes

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

En bref

Citations14
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe Canadian Journal of Chemical EngineeringMême sujetProcess Optimization and IntegrationTravaux en français237 207