MétaCan
Menu
Retour à la cohorte
Enregistrement W3166680278 · doi:10.1080/07373937.2021.1933017

Pore-scale simulation of drying in porous media using a hybrid lattice Boltzmann: pore network model

2021· article· en· W3166680278 sur OpenAlexaff
Jianlin Zhao, Feifei Qin, Qinjun Kang, Dominique Derome, Jan Carmeliet

Notice bibliographique

RevueDrying Technology · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueLattice Boltzmann Simulation Studies
Établissements canadiensUniversité de Sherbrooke
Organismes subventionnairesLos Alamos National LaboratoryLaboratory Directed Research and DevelopmentSchweizerischer Nationalfonds zur Förderung der Wissenschaftlichen ForschungNational Science Foundation
Mots-clésLattice Boltzmann methodsPorous mediumPorosityMaterials scienceWork (physics)Saturation (graph theory)Phase (matter)MechanicsThermodynamicsChemistryComposite materialPhysicsMathematics

Résumé

récupéré en direct d'OpenAlex

In this work, a hybrid method coupling a pseudo-potential lattice Boltzmann model (LBM) and a pore network model (PNM) to simulate drying in porous media is proposed. Based on the watershed method, the porous medium is firstly decomposed into pore regions. According to the liquid–vapor phase distribution at a given time, the pore regions are further divided into four pore types, namely two-phase pores where a liquid–vapor interface exists, buffer pores next to the two-phase pores, single-liquid and single-vapor phase pores. The pseudo-potential LBM is used in the two-phase and buffer pores to simulate liquid drying and track the movement of the interfaces, while the single-phase PNM simulations are conducted in the buffer and single-phase pores to simulate vapor or liquid flow. LBM and PNM are coupled in the buffer pores through exchange of boundary information. The hybrid method is applied to simulate liquid drying in a porous medium. The whole-domain LBM simulation is considered as the reference solution to validate the hybrid method. Liquid saturation variation during the drying process and detailed phase and pressure distributions obtained by the two methods match quite well, demonstrating the accuracy of the hybrid method. For the specific case studied, the hybrid method saves more than 60% computational time compared to the whole-domain LBM simulation. In addition, the speedup of the hybrid method becomes more significant for a larger computational domain. In summary, the hybrid method developed in this work combines the accuracy of LBM and the efficiency of PNM to simulate drying in porous media at pore scale and can lead to significant reduction of computation time, thus allowing the pore-scale consideration of drying in larger porous systems.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,027
Tête enseignante GPT0,266
Écart entre enseignants0,239 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations23
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDrying TechnologyMême sujetLattice Boltzmann Simulation StudiesTravaux en français237 207