Experimental methods in chemical engineering: Unresolved CFD‐DEM
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 CFD‐DEM combines computational fluid dynamics (CFD), which solves the equation of motion of gas or liquids, with the discrete element method (DEM), a simulation technique based on a Lagrangian description of particle motion that predicts the flow of granular matter and powders. Resolved CFD‐DEM solves the fluid motion with CFD at a scale smaller than the particle diameter ( d p ), assuming no‐slip on the particle surface to couple the phases. The fluid solver scale is coarser than d p in unresolved CFD‐DEM and virtual mass, drag, and other solid‐fluid forces couple the phases. Resolved CFD‐DEM is more accurate, but is orders of magnitude more computationally intensive. Unresolved CFD‐DEM predicts solid distribution, pressure loss, mass flow rate, and dense and dilute phase flow patterns when the solid to fluid and fluid to solid coupling between the fluid phase and the solid phase are non‐trivial. Researchers apply CFD‐DEM to predict gas‐fluid dynamics of fluidized beds, spouted beds, hoppers, cyclones, costal erosion, and rock slides. Open source codes, commercial software, and parallel computer architectures have accelerated its adoption in pharmaceutical, agro‐industrial, and reactor design. Current research targets improving the solid‐fluid coupling strategies and multiphysics problems including heat transfer, mass transfer, and chemical reactions within or at the surface of the particles. The field has grown to over 200 indexed articles per year (Web of Science) in 2018. This article is part of a special series dedicated to experimental methods in chemical engineering that reviews the most important concepts, applications, and limitations of each technique.
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 | 0,000 | 0,000 |
| 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 | 0,001 |
| 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