Toward accurate density and interfacial tension modeling for carbon dioxide/water mixtures
Notice bibliographique
Résumé
Abstract Phase behavior of carbon dioxide/water binary mixtures plays an important role in various CO2-based industry processes. This work aims to screen a thermodynamic model out of a number of promising candidate models to capture the vapor–liquid equilibria, liquid–liquid equilibria, and phase densities of CO2/H2O mixtures. A comprehensive analysis reveals that Peng–Robinson equation of state (PR EOS) (Peng and Robinson 1976), Twu α function (Twu et al. 1991), Huron–Vidal mixing rule (Huron and Vidal 1979), and Abudour et al. (2013) volume translation model (Abudour et al. 2013) is the best model among the ones examined; it yields average absolute percentage errors of 5.49% and 2.90% in reproducing the experimental phase composition data and density data collected in the literature. After achieving the reliable modeling of phase compositions and densities, a new IFT correlation based on the aforementioned PR EOS model is proposed through a nonlinear regression of the measured IFT data collected from the literature over 278.15–477.59 K and 1.00–1200.96 bar. Although the newly proposed IFT correlation only slightly improves the prediction accuracy yielded by the refitted Chen and Yang (2019)’s correlation (Chen and Yang 2019), the proposed correlation avoids the inconsistent predictions present in Chen and Yang (2019)’s correlation and yields smooth IFT predictions.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».