Uncertainty Quantification of NOx Emission due to Operating Conditions and Chemical Kinetic Parameters in a Premixed Burner
Notice bibliographique
Résumé
Many sources of uncertainty exist when emissions are modelled for a gas turbine combustion system. They originate from uncertain inputs, boundary conditions, calibration, or lack of sufficient fidelity in the model. In this paper, a non-intrusive polynomial chaos expansion (NIPCE) method is coupled with a chemical reactor network (CRN) model using Python to rigorously quantify uncertainties of NOx emission in a premixed burner. The first objective of the uncertainty quantification (UQ) in this study is development of a global sensitivity analysis method based on NIPCE to capture aleatory uncertainty due to the variation of operating conditions and input parameters. The second objective is uncertainty analysis of Arrhenius parameters in the chemical kinetic mechanism to study the epistemic uncertainty in the modelling of NOx emission. A two-reactor CRN consisting of a perfectly stirred reactor (PSR) and a plug flow reactor (PFR) is constructed in this study using Cantera to model NOx for natural gas at the relevant operating conditions for a benchmark premixed burner. UQ is performed through the use of a number of packages in Python. The results of uncertainty and sensitivity analysis using NIPCE based on point collocation method (PCM) are then compared with the results of advanced Monte Carlo simulation (MCS). Surrogate models are also developed based on the NIPCE approach and compared with the forward model in Cantera to predict NOx emissions. The results show the capability of NIPCE approach for UQ using a limited number of evaluations to develop a UQ-enabled emission prediction tool for gas turbine combustion 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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».