On the Use of Gas Flow Models to Predict Leak Rates Through Sheet Gasket Materials
Notice bibliographique
Résumé
The prediction of leak rate through porous gaskets for different gases based on test conducted on a reference gas can prevent bolted joint leakage failure and save the industry lots of money. This work gives a basic comparison between different gas flow models that can be used to predict leak rates through porous gasket materials. The ability of a model to predict the leak rate at the micro- and nanolevels in tight gaskets relies on its capacity to incorporate different flow regimes that can be present under different working conditions. Four models based on Navier–Stokes equations that incorporate different boundary conditions and characterize specific flow regime are considered. The first- and second-order slip, diffusivity, and molecular flow models are used to predict and correlate leak rates of gases namely helium, nitrogen, SF6, methane, argon, and air passing through three frequently used porous gasket materials which are flexible graphite, polytetrafluoroethylene (PTFE), and compressed fiber. The methodology is based on the determination experimentally of the porosity parameter (N and R) of the microchannels assumed to simulate the leak paths present in the gasket using helium as the reference gas. The predicted leak rates of different gases at different stresses and pressure levels are confronted to the results obtained experimentally by measurements of leak rates using pressure rise and mass spectrometry techniques. The results show that the predictions depend on the type of flow regime that predominates. Nevertheless, the second-order slip model is the one that gives better agreements with the measured leaks in all cases.
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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».