MétaCan
Menu
Retour à la cohorte
Enregistrement W4287850215 · doi:10.1109/icdl49583.2022.9830912

Preliminary Investigations on the Gassing Tendency and Breakdown strength of Low Pourpoint Transformer Liquids under Selective Conditions

2022· article· en· W4287850215 sur OpenAlexaff
Jayasree Thota, U. Mohan Rao, I. Fofana, Patrick Picher, Stephan Brettschneider

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiquePower Transformer Diagnostics and Insulation
Établissements canadiensHydro-QuébecUniversité du Québec à Chicoutimi
Organismes subventionnairesnon disponible
Mots-clésMineral oilMaterials scienceTransformerTransformer oilComposite materialFlash pointWater saturationLiquid waterSaturation (graph theory)ChemistryMetallurgyThermodynamicsOrganic chemistryElectrical engineeringVoltage

Résumé

récupéré en direct d'OpenAlex

The overall performance of ester liquids is comparable to mineral insulating oils with a reduced environmental impact. However, the application of ester fluids in cold regions is still a challenge to the utilities and transformer owners. In this paper, the water behavior of three low pour point (less than −50°C) insulating liquids (two synthetic esters and a mineral oil) is reported. Non-aged and aged liquid samples underwent electrical discharges of 7 kV (as per a modified ASTM D6180) for 5 hours to understand the gassing tendency and change in water content in the liquid under corona discharges. Also, the water uptake rates of non-aged low pourpoint liquids have been verified at 60°C. Further, non-aged liquids with three different initial water contents have been subjected to 20 repeated AC breakdowns to understand the influence of water on their breakdown failure probability. The obtained results indicate that the gassing tendency under electrical stress of the investigated liquids increases with aging. Similar to the typical ester liquids, the two low pour point ester liquids have higher water saturation limit than that of the mineral oil. In addition, the breakdown failure rates of the low pour point liquids increase with increase in water content.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,366
Score d'incertitude au seuil0,329

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 GPT0,211
Écart entre enseignants0,201 · 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 tête enseignante, 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

Citations3
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetPower Transformer Diagnostics and InsulationTravaux en français237 207