A 1+ Mechanism Model for Predicting the Mixed-Oil Concentration in Multiproduct Pipelines
Notice bibliographique
Résumé
Summary Petroleum products are frequently transported successively through the same multiproduct pipeline. Due to turbulent and convective diffusion mass transfer, two adjacent oils will mix with each other, forming a mixed-oil segment. Accurate and rapid prediction of mixed-oil concentration is crucial for the precise management of mixed-oil segments. Conventional 1D modeling methods exhibit shortcomings in accurately representing the asymmetric distribution characteristics of mixed-oil concentration curves, and high-dimensional models are not practically applied due to their prohibitive computational time costs. Building on the 1D model framework, this paper proposes a “1+” mechanism model by considering the convective mass transfer behavior between the turbulent core region and the laminar boundary layer, and new governing equations and corresponding numerical solution methods are also introduced. Simulation experiments affirm the ability of the new model to characterize the asymmetric distribution features of mixed-oil concentration curves, along with its high computational efficiency in engineering applications. This is demonstrated by the computational time of approximately 30 seconds for simulating a pipeline of 300 km in length (Δx = 10 m, Δt = 1 second, CPU: i5-12500H, RAM: 16 GB). When applied to pipelines in industrial scenarios, the new model is shown to accurately predict the distribution of mixed-oil concentration curves. The research findings are significantly beneficial in assisting field personnel to gain advanced insights into the mixed-oil concentration distribution at the station, enabling timely and well-informed strategies for handling mixed-oil segment, thereby enhancing the operational efficiency of multiproduct pipelines.
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 ».