Understanding two‐phase flow behaviour: <scp>CFD</scp> Assessment of silicone oil–air and water–air in an intermediate vertical pipe
Notice bibliographique
Résumé
Abstract The study utilized computational fluid dynamics (CFD) simulations employing the volume of fluid (VOF) model to analyze silicone oil–air flows in a vertical pipe with a diameter of 67 mm. Various structured meshes ensured grid independence, and the k ‐ ε realizable model addressed turbulence. The analysis characterized bubbly to annular flows, involving the evaluation of flow patterns, radial void fractions, void fraction time series, probability density functions (PDFs), power spectral densities (PSDs), and mean void fractions. Results indicated a transition from bubbly to annular flow with increasing gas velocities and notable changes in radial void fraction profiles. Void fraction exhibited significant variations with distinct flow patterns at constant liquid velocity. PDFs identified flow regimes, and PSDs revealed frequency patterns. CFD results were validated against experiments, demonstrating good agreement. The validated CFD model was utilized to investigate radial gas velocities and pressure drops, revealing a shift from uniform velocity distributions to irregular patterns and a decrease in total pressure drop with an increase in gas superficial velocity. The model was also applied to a water‐air system to explore two‐phase flow behaviour. The impact of superficial gas velocity on flow patterns and radial void fractions was studied through numerical analysis and compared with the silicone oil‐air system. Results showed that at extreme gas velocities (0.06 and 5.53 m/s), silicone oil exhibited bubbly and annular flows, while water displayed cap bubbly and churn flows. The significant variation in radial void fraction at these velocities emphasized the impact of fluid properties.
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 | 0,001 |
| 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 ».