Flooding Capacity in Packed Towers: Database, Correlations, and Analysis
Notice bibliographique
Résumé
Experimental results on the flooding capacity of randomly dumped packed beds were collected from the literature to generate a working database. The reported measurements were first used to review the accuracy of existing predictive tools in that field. A total of 14 correlations were extracted from the literature and cross-examined with the database. Many limitations regarding the level of accuracy and generalization came to light with this investigation. Artificial neural network modeling was then proposed to improve the broadness and accuracy in predicting the flooding capacity, which is an important design parameter for packed towers. A combination of six dimensionless groups, namely, the Lockhart−Martinelli parameter ( χ ); the liquid Reynolds (Re L ), Galileo (Ga L ) and Stokes (St L ) numbers; the packing sphericity ( φ ); and one bed number ( S B ) outlining the tower dimensions were used as the basis of the neural network correlation. With an initial database containing 1019 measurements, the correlation yielded an absolute average relative error (AARE) of 16.1% and a standard deviation of 20.4%. Another database containing over 100 measurements on the flooding capacity was used to validate the correlation. The prediction based on these results yielded an AARE of 11.6% and a standard deviation of 13.7%. Through a sensitivity analysis, the Stokes number in the liquid phase was found to exhibit the strongest influence on the prediction, while the liquid velocity, gas density, and packing shape factor were determined to be the leading physical properties defining the flooding level. As a matter of fact, the neural correlation remains in accordance with the design recommendations and trends reported in the literature.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,002 | 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 ».