MétaCan
Menu
Retour à la cohorte
Enregistrement W4212999967 · doi:10.1016/j.ijft.2022.100139

Numerical analysis of a counter-flow wet cooling tower and its plume

2022· article· en· W4212999967 sur OpenAlexaff
Arash Zargar, A. Kodkani, A. Delgado Peris, Elizabeth Clare, Jason Cook, Prashanth Karupothula, B. Vickers, M. R. Flynn, Marc Secanell

Notice bibliographique

RevueInternational Journal of Thermofluids · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAdsorption and Cooling Systems
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésCooling towerPlumeEnvironmental scienceVisibilityTowerMeteorologyEvaporationAtmospheric sciencesWater coolingGeologyEngineeringMechanical engineeringGeography

Résumé

récupéré en direct d'OpenAlex

A one-dimensional model to study the heat and mass transfer inside and immediately above a wet counter-flow cooling tower is described. The wet cooling tower thermodynamic model assigns zone-specific Merkel numbers to each of the rain, fill, and spray zones, and it includes an atmospheric plume model. Using the present formulation, zone-by-zone rates of heat rejection and water evaporation can be estimated, as can the visible plume height. The model is validated against the well-established Poppe and Merkel methods as well as select field data. Cooling tower performance and plume visibility are evaluated under a variety of climatic conditions (hot-dry, hot-humid, cool-dry and cool-humid), cooling tower designs (e.g. fill zone height, Hfz), and operating conditions (e.g. water-to-air mass flow rate ratio, L/G). The parametric study in question highlights the ability of the proposed model to predict the impact of ambient conditions, cooling tower design parameters, and operating conditions on overall performance and patterns of atmospheric dispersion. The proposed model is ideal for numerical optimization of cooling towers that need to meet stringent thermal performance and plume visibility requirements.

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: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,023

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 technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,000
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 Opus0,010
Tête enseignante GPT0,240
Écart entre enseignants0,230 · 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

Citations28
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of ThermofluidsMême sujetAdsorption and Cooling SystemsTravaux en français237 207