MétaCan
Menu
Retour à la cohorte
Enregistrement W3084335619 · doi:10.1115/es2020-1716

Effect of Waste Vegetable Oil on Cooling Performance and Lifetime of Power Transformers

2020· article· en· W3084335619 sur OpenAlexaff
Ehsan Ebrahimnia-Bajestan, Mohammad Arjmand, Hani Tiznobaik

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiquePower Transformer Diagnostics and Insulation
Établissements canadiensUniversity of British Columbia, Okanagan CampusUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésMineral oilTransformerTransformer oilCoolantEnvironmental scienceWaste managementVegetable oilTransformer effectMaterials scienceDistribution transformerElectrical engineeringEngineeringMechanical engineeringChemistryVoltageMetallurgy

Résumé

récupéré en direct d'OpenAlex

Abstract During the operation of a power transformer, a large amount of heat is generated due to the electrical and magnetic energy losses in its core and windings, causing a temperature rise in transformers. This generated heat is known as the main factor for aging the electrical insulating system of a transformer. In this research, we numerically studied the ability of a vegetable-based oil — as an alternative coolant for the petroleum-based oils — on the cooling performance of a power transformer. The studied oil was a biodiesel produced from waste cooking vegetable oils, having lower viscosity compared to traditional mineral oils. We also calculated the aging rate of the transformer in the presence of the biodiesel. The results indicated that compared to the mineral oil, the average hotspot temperature of the transformer is 3 degrees lower when the biodiesel was used. The life expectancy of the transformer with the vegetable-based oil was also significantly longer than the case with mineral oil. In conclusion, this study provided a sustainable way to use an eco-friendly material produced from a waste resource as an alternative insulating liquid for the cooling of power transformers.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,309
Score d'incertitude au seuil0,306

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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)0,0000,000

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 Opus0,004
Tête enseignante GPT0,184
Écart entre enseignants0,180 · 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 tête enseignante, 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
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetPower Transformer Diagnostics and InsulationTravaux en français237 207