Statistically accurate discrete phase modelling of particle cloud generation using Aggregate Steady Random Particle injection
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A novel approach called Aggregate STEady Random Particle (A-STERP) injection is introduced to characterize the injection of a random particle cloud into a continuous phase using existing discrete phase modelling (DPM). A-STERP takes advantage of the short computational time of steady DPM simulations and introduces temporal randomization by considering the aggregate, cumulative average of results obtained from sequential steady simulations using files of randomized injection points and particle sizes. A-STERP is shown by computational validation to converge to a steady value of, for example, total collection efficiency in a particle separation device, with increased numbers of randomized injection locations and numbers of injection files. A-STERP works within the framework of existing CFD software and was validated by computational modelling using ANSYS FLUENT of a generic collection chamber, a baffled pre-separator, and a cyclone for its ability to predict total collection efficiency and fractional collection efficiency of a defined distribution of particles. The results yielded by A-STERP were compared to those obtained from a randomized transient injection method and shown in all cases to be just as accurate, while requiring only a small fraction of the computational time – seconds/min compared to hours/days. The application of A-STERP is shown to provide accurate results for both stationary and time-periodic flows, and, by extension, to non-stationary flows. To this end, A-STERP makes it practical to conduct accurate DPM calculations of particle injection in large-scale simulations of complex devices, something that is not always practical using randomized transient DPM.
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.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle