Exploiting the prediction of mass transfer performance in aerated coaxial mixers containing biopolymer solutions using empirical correlations and neural networks
Notice bibliographique
Résumé
Abstract The volumetric mass transfer coefficient is commonly used to assess the mixing effectiveness of gas–liquid bioreactor systems. Analyzing mass transfer performance in non‐Newtonian fluids inside coaxial mixers can be challenging due to the complex interaction between process variables, which requires developing robust characterization and estimation approaches. This study aims to investigate the gas dispersion in shear‐thinning biopolymers with yield stress using coaxial mixers in order to evaluate the effects of aeration and agitation on the volumetric mass transfer coefficient. A mixing configuration comprising a pitched blade turbine and an anchor was employed to disperse air into xanthan gum solutions, and the mass transfer performance was obtained at different impeller speeds and biopolymer concentrations by measuring the dissolved oxygen concentration. A dimensionless empirical correlation was proposed, and the results showed that the mass transfer was positively influenced by aeration intensity and agitation mechanism, quantified by the gas flow number and Reynolds number, respectively. Additionally, a strategy using stacking‐ensemble artificial neural networks was developed to accurately estimate the volumetric mass transfer coefficient, with a correlation coefficient of 0.998. The proposed mass transfer characterization approach overcame the complexities of analyzing aerated coaxial mixer systems and provided a reliable design model for bioreactor systems containing non‐Newtonian fluids.
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 ».