MétaCan
Menu
Retour à la cohorte
Enregistrement W2912129081 · doi:10.1017/jfm.2019.21

Reduction of pressure losses and increase of mixing in laminar flows through channels with long-wavelength vibrations

2019· article· en· W2912129081 sur OpenAlexaff
J. M. Floryan, Sahab Zandi

Notice bibliographique

RevueJournal of Fluid Mechanics · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueFluid Dynamics Simulations and Interactions
Établissements canadiensWestern University
Organismes subventionnairesnon disponible
Mots-clésMechanicsLaminar flowPressure gradientMixing (physics)WavelengthReduction (mathematics)VibrationPhysicsMaterials scienceAcousticsOptics

Résumé

récupéré en direct d'OpenAlex

Pressure losses and mixing in vibrating channels were analysed. The vibrations in the form of long-wavelength travelling waves were considered. Significant reduction of pressure losses can be achieved using sufficiently fast waves propagating downstream, while significant increase of such losses is generated by waves propagating upstream. The mechanisms responsible for pressure losses were identified and discussed. The interaction of the pressure field with the waves can create a force which assists the fluid movement. A similar force can be created by friction, but only under conditions leading to flow separation. An analysis of particle trajectories was carried out to determine the effect of vibrations on mixing. A significant transverse particle movement takes place, including particle trajectories with back loops. The downstream-propagating out-of-the phase waves provide a large reduction of pressure gradient and significant potential for mixing intensification. Analysis of energy requirements demonstrates that it is possible to identify waves which reduce power requirements, i.e. the cost of actuation is smaller than the energy savings associated with the reduction of pressure gradient. The fast forward moving waves provide an opportunity for the development of alternative propulsion methods which can be more efficient than methods based on the pressure difference.

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: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,002

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 Opus0,008
Tête enseignante GPT0,216
Écart entre enseignants0,208 · 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
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

Citations19
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Fluid MechanicsMême sujetFluid Dynamics Simulations and InteractionsTravaux en français237 207