MétaCan
Menu
Retour à la cohorte
Enregistrement W4289260817 · doi:10.2166/wst.2022.235

Evaluation of using a porous medium approach to simulate flat-sheet membrane bioreactors

2022· article· en· W4289260817 sur OpenAlexaff
Danmei Chen, B. Lakghomi, Yuri Lawryshyn

Notice bibliographique

RevueWater Science & Technology · 2022
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMembrane Separation Technologies
Établissements canadiensSystems, Applications & Products in Data Processing (Canada)University of Toronto
Organismes subventionnairesnon disponible
Mots-clésPorosityCalibrationPorous mediumTurbulenceFlow (mathematics)MechanicsMaterials scienceComputational fluid dynamicsComposite materialPhysics

Résumé

récupéré en direct d'OpenAlex

The porous medium approach has been applied by others to study the global hydrodynamics in hollow-fiber (HF) membrane bioreactors (MBR). This study explores the usability of the porous medium approach for flat-sheet (FS) MBR and introduces a CFD-based numerical calibration of the porous parameters. Two key modeling strategies are suggested to ensure the pressure prediction accuracy: (1) use SST k - ω turbulence model incorporated with an intermittency transition model (SSIT); (2) considerate two-phase flow during the calibration. The results showed that SSIT significantly improved the pressure prediction of the flow between two sheets. Also, unlike HF MBR, the gas phase was observed to be non-negligible during the calibration for FS MBR. The numerically calibrated porous parameters were then applied in a three-dimensional simplified model (SPM), where multiple membrane sheets were treated as one porous zone. The SPM was compared with a realistic model (RM), where all membrane sheets were simulated directly. A similar pressure distribution was observed in both models; however, local flow characteristics (i.e., the acceleration of the flow entering the module zone) were not reflected in the SPM. Hence, it is recommended to use the porous medium approach for global hydrodynamics investigation when the local flow characteristics are not of interest.

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)0,004
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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,062
Score d'incertitude au seuil0,884

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,004
Études des sciences et des technologies0,0000,002
Communication savante0,0000,000
Science ouverte0,0020,002
Intégrité de la recherche0,0000,000
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 Opus0,038
Tête enseignante GPT0,285
Écart entre enseignants0,246 · 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'étudeExpérimental (laboratoire)
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 revueWater Science & TechnologyMême sujetMembrane Separation TechnologiesTravaux en français237 207