Experimental methods in chemical engineering: Computational fluid dynamics/finite volume method—<scp>CFD</scp>/<scp>FVM</scp>
Notice bibliographique
Résumé
Abstract Computational fluid dynamics (CFD) applies numerical methods to solve transport phenomena problems. These include, for example, problems related to fluid flow comprising the Navier–Stokes transport equations for either compressible or incompressible fluids, together with turbulence models and continuity equations for single and multi‐component (reacting and inert) systems. The design space is first segmented into discrete volume elements (meshing). The finite volume method, the subject of this article, discretizes the equations in time and space to produce a set of non‐linear algebraic expressions that are assigned to each volume element—cell. The system of equations is solved iteratively with algorithms like the semi‐implicit method for pressure‐linked equations (SIMPLE) and the pressure implicit splitting of operators (PISO). CFD is especially useful for testing multiple design elements because it is often faster and cheaper than experiments. The downside is that this numerical method is based on models that require validation to check their accuracy. According to a bibliometric analysis, the broad research domains in chemical engineering include: (1) dynamics and CFD‐DEM, (2) fluid flow, heat transfer, and turbulence, (3) mass transfer and combustion, (4) ventilation and the environment, and (5) design and optimization. Here, we review the basic theoretical concepts of CFD and illustrate how to set up a problem in the open‐source software OpenFOAM to isomerize n ‐butane to i ‐butane in a notched reactor under turbulent conditions. We simulated the problem with 1000, 4000, and 16 000 cells. According to the Richardson extrapolation, the simulation underestimates the adiabatic temperature rise by 7% with 16 000 cells.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 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 ».