Best Practices for Computational Fluid Dynamic Applications in Water Infrastructure
Notice bibliographique
Résumé
Computational fluid dynamics (CFD) is a branch of fluid mechanics that uses numerical analysis and data structures to calculate, analyze, and visualize fluid (liquids, gases, and dissolved gases) flows. This document provides general introductions to best practices for CFD modeling in water infrastructure for practitioners, particularly those new to CFD modeling, which is becoming a widely used tool in the design and retrofitting of water, wastewater, and stormwater infrastructure. The method serves as an alternative, or complement, to physical modeling. In recent years, CFD has often been used in evaluating and troubleshooting existing water systems as well as improving future designs. As with the applications in other fields, the popularity of CFD in the water industry has been propelled by a multitude of factors including, but not limited to, the maturity achieved by CFD techniques, the development of stable and reliable numerical schemes, and the ever-improving computer-aided design (CAD) and meshing technologies for real-world complex geometries. This has been accompanied by many commercial and open-source CFD packages that can be run on increasingly more powerful computing hardware. Despite the visible progress in the application of CFD in water infrastructure projects achieved to date, there are still many challenges that hinder the widespread use of CFD techniques in water treatment design. Perhaps more important is that many of these challenges may result in misuse of the tool with dire consequences. It is imperative that CFD practitioners appropriately apply this tool without overpromising capability or accuracy and that reviewers of CFD model results know what to look for in ensuring proper methods have been applied and that results are representative of reality.
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 | 0,000 | 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 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 ».