MétaCan
Menu
Retour à la cohorte
Enregistrement W3132069837 · doi:10.2166/wst.2021.061

Numerical study on effects of chamber design and multi-inlet on storm geyser

2021· article· en· W3132069837 sur OpenAlexaff
Jiachun Liu, Shuangqing Zhang, Biao Huang, David Z. Zhu

Notice bibliographique

RevueWater Science & Technology · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueWater Systems and Optimization
Établissements canadiensUniversity of Alberta
Organismes subventionnairesKey Research and Development Program of Zhejiang ProvinceFundamental Research Funds for the Provincial Universities of ZhejiangNatural Science Foundation of NingboNational Natural Science Foundation of China
Mots-clésInletInflowPressure dropEnvironmental scienceBody orificeStormComputational fluid dynamicsMarine engineeringGeologyMechanicsEngineeringGeomorphologyMechanical engineering

Résumé

récupéré en direct d'OpenAlex

Storm geysers increasingly occur in sewer systems under climate change and rapid urbanization. Mitigation measures are in great demand to avoid safety problems. In this study, three-dimensional computational fluid dynamics models of single-inlet and multi-inlet systems were established to investigate geysering induced by rapid filling and assess the effectiveness of potential mitigation methods. The modeling results suggest that increasing the capacity of the downstream pipe before the inflow front reaches the chamber can effectively reduce the maximum geyser pressure. The peak pressure can be significantly mitigated when the chamber size is designed with care and the drop height between the upstream and downstream pipes is reduced. A diversion deflector with air vents and an orifice plate at the riser top end can alleviate the maximum pressure by about 65% with about 75% of the entrapped air being released. The peak pressure during the geyser event in the multi-inlet model is less than that of a single-inlet model under the same total inflow condition, but more water can be released.

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 enseignants0,415
Score d'incertitude au seuil0,289

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 Opus0,012
Tête enseignante GPT0,222
Écart entre enseignants0,210 · 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

Citations3
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueWater Science & TechnologyMême sujetWater Systems and OptimizationTravaux en français237 207