MétaCan
Menu
Retour à la cohorte
Enregistrement W4312762822 · doi:10.1115/ipc2022-86895

Performance of Five Different Natural Gas and Hydrogen Blending Mixer Designs via CFD

2022· article· en· W4312762822 sur OpenAlexaff
K. K. Botros, Mohammad Ali Shariati, Swaran Sandhawalia

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueFlow Measurement and Analysis
Établissements canadiensAlberta EnergyNova Chemicals (Canada)
Organismes subventionnairesnon disponible
Mots-clésVenturi effectPressure dropHeaderComputational fluid dynamicsBundleNatural gasSpiral (railway)Mechanical engineeringMixing (physics)Materials scienceProcess engineeringMechanicsComputer scienceEngineeringPhysicsComposite materialInletWaste management

Résumé

récupéré en direct d'OpenAlex

Abstract The aspiration for blending hydrogen (H2) into natural gas (NG) in gas transmission systems is high and is happening globally. However, the mechanics and details of blending the two streams are not well developed or perfected. There is a need to arrive at the best technique and approach to achieve perfect blending to minimize the potential adverse impact on the operation of downstream facilities as well as on the end-users. The challenge is primarily driven by the fact that NG and H2 have vastly different properties, principally densities, that may lead to possible stratification, short circuiting, and pockets of undesirable high concentration of H2 in the blended stream. The paper documents Computational Fluid Dynamics (CFD) simulation results conducted on five different concepts of mixer/blending designs. These mixer designs are: i) single or multiple side entries, ii) dual spiral ribbon (DSR) type mixer, iii) venturi mixer, iv) hybrid mixer of DSR inside a venturi, and v) NC5 perforated tube bundle type mixer. An example of an NPS 12 (DN300) ultrasonic meter run with an NPS 20 (DN500) header was assumed throughout the analysis. It was found that the venturi mixing concept with a single side entry is the optimum design due to its simplicity, cost effectiveness, and relatively low pressure drop. With this simple design, 99% mixing efficiency is achieved within 13D at maximum flow, where D is the main header diameter downstream of the mixing station. The pressure drop coefficient for this design is estimated to be approx. 3.1, which amounts to ∼6 kPa at maximum flow, which is relatively low. However, mixing will halt at coefficient of variance = 0.2 (80% mixing efficiency) at very low flow rate of a turndown ratio of 20:1. Final selection of a mixer design from the five designs investigated depends on the tradeoff between mixing efficiency, pressure drop and cost.

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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,770
Score d'incertitude au seuil0,386

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 Opus0,012
Tête enseignante GPT0,182
Écart entre enseignants0,169 · 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

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetFlow Measurement and AnalysisTravaux en français237 207