Comprehensive investigation of gas hold-up in a double coaxial mixer with shear-thinning fluids exhibiting yield stress: Experimental, numerical, and artificial neural network approaches
Notice bibliographique
Résumé
• The intensification of gas dispersion was enhanced by coaxial mixers. • Optimal anchor speed at 30 rpm enhanced aeration in yield-pseudoplastic fluids. • Increased apparent viscosity led to higher gas hold-up but uneven gas distribution. • The co-rotation mode exhibited a more even distribution of gas. • The ANN model predicted gas hold-up with a R 2 value of 0.99. This study addresses the challenge of uneven gas dispersion in yield-stress, non-Newtonian fluids, commonly encountered in industries such as biopharmaceuticals, cosmetics, and food processing. While previous research demonstrated the advantages of dual coaxial mixers for pseudoplastic fluids, limited attention has been given to aerating yield-pseudoplastic fluids with higher aspect ratios. This study bridges that gap by investigating both local and global gas hold-up under various conditions, utilizing electrical resistance tomography and computational fluid dynamics. Key findings showed that increasing the anchor speed from stationary to 30 rpm significantly enhanced aeration efficiency (gas hold-up per specific power consumption), with improvements of 78% in UP-CO mode and 25% in UP-COUNTER mode at N c = 350 rpm and Q g = 20 L/min. These results underscore enhanced gas dispersion under specific operating conditions, driving overall process intensification. To ensure accurate prediction of gas hold-up, both dimensional and dimensionless empirical correlations, along with an artificial neural networks (ANNs) model, were developed. The ANNs model exhibited superior accuracy, achieving R² values of 0.99 for both rotation modes, outperforming empirical models, which achieved R² values of 0.90 and 0.89 for UP-CO and UP-COUNTER modes, respectively.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 source (Gemma direct ou Codex distillé), 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 ».