An insight into hybrid membrane‐based air conditioning system performance using gray relational analysis methods: Structural versus operational parameters
Notice bibliographique
Résumé
Abstract Various parameters have an impact on the fresh air temperature and input power of a hybrid membrane‐based air conditioning (HMBAC) system, such as pressure ratio, membrane selectivity, membrane permeance, membrane area, air flowrate of the dehumidification unit, and module length, number of fibers, and fiber outer diameter of the humidification unit, which comprise both operational and structural parameters. Therefore, in this study, the effects of these parameters on the system performance are examined separately based on a statistical approach. The importance order of each parameter and its contribution ratio are determined by using Taguchi method and ANOVA analysis. The optimum level for each input parameter is determined using statistical analysis for the fresh air temperature and input power. Then, for the simultaneous minimization of fresh air temperature and input power Taguchi‐gray relational grade (GRG) is used. GRG revealed that membrane selectivity, pressure ratio, and membrane permeance with the contribution ratio of 37.87%, 32.51%, and 10.55%, respectively, are the most critical parameters of the multiperformance of an HMBAC system. Interestingly dehumidification from a humid airflow can be more effective when membranes with low selectivity and high permeability are used. In conclusion, the optimization outputs disclosed that both structural and operational parameters have significant effects on the performance of the HMBAC system and this optimization can be a helpful tool for designing a HMBAC systems to cover the optimal conditions to develop a sustainable membrane‐based air conditioning system.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».