Bubble cloud configuration effect on the added mass
Notice bibliographique
Résumé
Understanding the mechanisms that control the dynamics of bubble clouds is essential to many industrial processes in the energy and chemical realms. Due to the complexity of the two-phase flow configurations, modeling the physics of the phenomena driving the mixing of bubbles within a liquid matrix is still a major challenge. One of the weaknesses of most existing two-phase flow models is due to the incomplete handling of bubble dispersion. This difficulty comes from the fact that dispersion can be driven by numerous complex phenomena, such as turbulence, local pressure distribution, bubble to bubble interaction, etc. In this study, we introduce the effect of added mass fluctuations on the dispersion of small bubbles. Existing models based on the Euler–Euler approach do not take into account local flow variations due to bubble distributions. Therefore, these models do not correctly describe fine dispersion features. Solving the potential flow around N bubbles allows to take into account the effect of the added mass on bubble cloud distributions. To this aim, a complete added mass model, which includes local bubble configurations via the void fraction gradient, is developed. The void fraction gradient allows us to account for the asymmetry of the bubble cloud around a single central bubble. Consequently, the proposed model can only represent regular and irregular bubble cloud distributions. This methodology results in a more consistent consideration of the added mass effects as well as Meshchersky's force, which should be included in hydrodynamic two-phase flow models. The proposed approach can be implemented in Euler–Euler models intended to consider the dispersion of bubbles caused by the effect of added mass.
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 ».