MétaCan
Menu
Retour à la cohorte
Enregistrement W2982476738 · doi:10.1115/icnmm2019-4219

Pressure Drop of Liquid-Liquid Taylor Flow in Mini-Scale Coiled and Curved Tubing

2019· article· en· W2982476738 sur OpenAlexaff
W. M. Adrugi, Yuri S. Muzychka, Kevin Pope

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueInnovative Microfluidic and Catalytic Techniques Innovation
Établissements canadiensMemorial University of Newfoundland
Organismes subventionnairesnon disponible
Mots-clésPressure dropMechanicsCurvatureReynolds numberSlug flowMaterials scienceDimensionless quantitySpinning drop methodSilicone oilDrop (telecommunication)Tube (container)Flow coefficientFlow (mathematics)Two-phase flowMathematicsPhysicsGeometryMechanical engineeringComposite materialEngineeringTurbulence

Résumé

récupéré en direct d'OpenAlex

Abstract This paper presents an experimental study on pressure drop using non-boiling liquid-liquid Taylor flow in mini scale coiled and curved tubing. Experiments were carried out to measure the pressure drop characteristics by varying the numbers of turns in coiled tubes and the lengths of curved tubes of less than one turn, such that Dean number, Reynolds number, radius of curvature, and coil pitch were considered. A set of narrow coiled tubes (ID = 1.59 mm, 1.27 mm, 1.016 mm) was used as test sections with different radii of curvature and overall lengths, and thus a different quantity of turns. Water and 1 cSt low viscosity silicone oil were used to create a segmented slug flow. An asymptotic model is developed based on the experimental results and previous models to predict the pressure drop, based on Dean number and dimensionless slug length. The effects of varying tube curvature and tube diameter are also studied. The results provide new insights into the effect of coiling and secondary flow on pressure drop for a liquid-liquid Taylor flow in mini scale systems.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

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 Opus0,007
Tête enseignante GPT0,214
Écart entre enseignants0,207 · 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'étudeExpérimental (laboratoire)
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

Citations0
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetInnovative Microfluidic and Catalytic Techniques InnovationTravaux en français237 207