Uncertainty Quantification of NOx and CO Emissions in a Swirl-Stabilized Burner
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Uncertainty quantification (UQ) is becoming an essential attribute for development of computational tools in gas turbine combustion systems. Prediction of emissions with a variety of gaseous fuels and uncertain conditions requires probabilistic modeling tools, especially at part load conditions. The aim of this paper was to develop a computationally efficient tool to integrate uncertainty, sensitivity, and reliability analyses of CO and NOx emissions for a practical swirl-stabilized premixed burner. Sampling-based method (SBM), nonintrusive polynomial chaos expansion (NIPCE) based on point collocation method (PCM), Sobol sensitivity indices, and first-order reliability method (FORM) approaches are integrated with a chemical reactor network (CRN) model to develop a UQ-enabled emissions prediction tool. The CRN model consisting of a series of perfectly stirred reactors (PSRs) to model CO and NOx is constructed in Cantera. Surrogate models are developed using NIPCE-PCM approach and compared with the results of CRN model. The surrogate models are then used to perform global sensitivity and reliability analyses. The results show that the surrogate models substantially reduce the required computational costs by 2 to 3 orders of magnitude in comparison with the SBM to calculate sensitivity indices, importance factors and perform reliability analysis. Moreover, the results obtained by the NIPCE-PCM approach are more accurate in comparison with the SBM. Therefore, the developed UQ-enabled emissions prediction tool based on CRN and NIPCE-PCM approaches can be used for practical combustion systems as a reliable and computationally efficient framework to conduct probabilistic modeling of emissions.
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 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 découle