MétaCan
Menu
Retour à la cohorte
Enregistrement W4387454113 · doi:10.3390/en16196994

Laboratory Investigation of Impact of Injection–Abstraction Rate and Groundwater Flow Velocity on Groundwater Heat Pump Performance

2023· article· en· W4387454113 sur OpenAlexaboutno aff
Taha Sezer, Abubakar Kawuwa Sani, Rao Martand Singh, Liang Cui

Notice bibliographique

RevueEnergies · 2023
Typearticle
Langueen
DomaineEnergy
ThématiqueGeothermal Energy Systems and Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésGroundwaterPlumeGroundwater flowHeat pumpEnvironmental scienceVolumetric flow rateThermalGroundwater dischargeMechanicsHydrology (agriculture)Environmental engineeringPetroleum engineeringHeat exchangerMeteorologyGeotechnical engineeringGeologyThermodynamicsAquiferGeographyPhysics

Résumé

récupéré en direct d'OpenAlex

Using low-temperature (shallow) groundwater as a heat source or heat sink is a common practice to supply space heating or cooling, especially in the United States, Canada, China, and several European countries. The groundwater heat pump (GWHP) system has been extensively studied in recent decades using numerical approaches, which have some limitations in understanding the soil’s thermal behavior. Therefore, a laboratory-scale experimental study involving cooling tests was carried out to investigate the impact of GWHP on system performance and sustainability with varying groundwater flow velocities and injection and abstraction rates. The results demonstrated that groundwater flow velocity, as well as injection and abstraction rates, significantly impact thermal plume development. Higher injection and abstraction rates create a larger thermal plume, thereby decreasing abstraction temperature. However, groundwater flow prevents heat development around the well by dispersing the heat in the groundwater flow direction. Furthermore, the results indicate that the energy gain only increased by 81% and 107%, with a respective increase of 100% and 200% in injection and abstraction rates.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,015
Tête enseignante GPT0,236
Écart entre enseignants0,221 · 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 source (Gemma direct ou Codex distillé), 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

Citations4
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEnergiesMême sujetGeothermal Energy Systems and ApplicationsTravaux en français237 207