Behaviour of agglomerates formed by liquid injection in fluidized beds
Notice bibliographique
Résumé
Abstract Formation of agglomerates in fluidized beds can cause operating problems, such as excessive stripper shed fouling, which can lead to premature unit shut down. The focus of this study is to reach a better understanding of how agglomerates move through a fluidized bed to improve the Fluid Cokers and minimize the risk of agglomerates reaching regions where they cause problems. Two experimental methods were used: first, a Gum Arabic binder solution was injected into a two‐dimensional (2D) fluidized bed under conditions that simulate agglomerate formation in Fluid Cokers, and the mass and density of recovered agglomerates were measured; second, a new 2D radioactive particle tracking (RPT) method was developed to track the motion of model agglomerates. The fluidized bed had a steel wall, resulting in significant and non‐uniform radiation absorption. The 2D RPT system was, thus, calibrated by placing the source at 290 locations in the bed, for each fluidization velocity. Since bubble flow patterns greatly affect agglomerate motion and segregation, a tribo‐electric method was used to determine bubble flow distribution in the fluidized bed. The RPT and liquid injection methods gave similar vertical distributions of agglomerates. The main results were that increasing the fluidization velocity reduced segregation, and larger agglomerates were more likely to segregate. There was a strong correlation between the bubbles and agglomerates flow patterns: establishing an asymmetric flow pattern by injecting more fluidization gas in one side of the bed greatly reduced agglomerate segregation.
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 | 0,000 | 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 | 0,000 |
| 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 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 ».