Optimal design of coolant jacket for cryogen transfer pipelines
Notice bibliographique
Résumé
Abstract Cryogenic liquids such as liquid oxygen and liquid hydrogen are extensively used in many processes and manufacturing industries. In these industries, transferring cryogens via pipelines is a routine phenomenon. As the boiling points and latent heat of cryogens are low, excessive vaporization of these cryogens is innate. Therefore, ensuring that the cryogen reaches the utility in its liquid form is challenging. In the case of liquid hydrogen and liquid helium, the pipelines are jacketed with a high boiling cryogen like nitrogen. The idea is to dump most of the heat into cheap nitrogen to limit the loss of precious hydrogen or helium. From a heat inleak point, maximizing the amount of nitrogen in the jacket is advantageous by choosing large cross‐sectional areas. Also, larger flow cross sections would lower pressure drops and, therefore, lower pumping costs. However, such a choice would add to the mass of the pipeline. An increase in the mass of the pipeline increases the need for better structural support of the pipeline assembly. Therefore, the design of cryogen jackets for limiting heat inleak is a multi‐objective optimization problem. In this work, we model the heat leak into the hydrogen via the nitrogen jacket and the pressure drop of liquid nitrogen, and we find the mass of the pipeline assembly. Then, we optimize the design of nitrogen jackets fitted over hydrogen pipelines. We employ the evolutionary optimization technique, genetic algorithm (GA), to perform this optimization.cryogen; genetic algorithm; heat inleak; liquid hydrogen; optimization.
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 ».