Cluster Identification by a <i>k</i>-means Algorithm-Assisted Imaging Method in a Laboratory-Scale Circulating Fluidized Bed
Notice bibliographique
Résumé
Particle clusters for FCC particles in a gas–solid circulating fluidized bed with a 12.4 m high riser and a 5 m high downer were identified from the images of the gas–solid flow by a k-means machine learning algorithm-assisted processing method. An optimal k value of 3 was determined and justified by several evaluation criteria for the k-means algorithm. The solid holdup obtained from the processed images agrees well with that from the optical fiber method. The particle cluster characteristics between the riser and downer, such as the cluster solid holdup, equivalent diameter, velocity, and frequency, were extracted from the processed images and then compared in detail for the first time. The cluster solid holdup and the cluster velocity in the riser (εcl = 0.05–0.20, Vcl = 4–10 m/s) are much higher than those in the downer (εcl = 0.005–0.020, Vcl = 2–5 m/s). The cluster equivalent diameter and the cluster frequency in the riser and downer are similar (dcl = 2–10 mm, fcl = 100–400 Hz). Empirical correlations of the cluster characteristics with the local flow conditions and the operating parameters in both the riser and downer are further studied.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,002 |
| 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 ».