MétaCan
Menu
Retour à la cohorte
Enregistrement W2957201795 · doi:10.1115/1.4044204

Uncertainty Quantification of NOx and CO Emissions in a Swirl-Stabilized Burner

2019· article· en· W2957201795 sur OpenAlexaff
Sajjad Yousefian, Gilles Bourque, Rory F.D. Monaghan

Notice bibliographique

RevueJournal of Engineering for Gas Turbines and Power · 2019
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueProbabilistic and Robust Engineering Design
Établissements canadiensMcGill UniversitySiemens (Canada)
Organismes subventionnairesnon disponible
Mots-clésUncertainty quantificationSobol sequenceSensitivity (control systems)CombustorReliability (semiconductor)CombustionProbabilistic logicNOxSurrogate modelComputer scienceUncertainty analysisFlue gasPropagation of uncertaintyPolynomial chaosProcess engineeringReliability engineeringEngineeringSimulationAlgorithmMathematicsMonte Carlo methodMachine learningChemistry

Résumé

récupéré en direct d'OpenAlex

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.

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: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,014

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 Opus0,037
Tête enseignante GPT0,316
Écart entre enseignants0,279 · 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

Citations17
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Engineering for Gas Turbines and PowerMême sujetProbabilistic and Robust Engineering DesignTravaux en français237 207