Influence of Water Drag and Headspace Air Pressure on Airflow in Sanitary Sewers
Notice bibliographique
Résumé
Odor complaints are widely reported due to hazardous gases being released from sewer systems. Mitigating and controlling the emission of these gases is the key to a better air environment. Existing airflow system models rely on limited, uncontrolled experiments lacking air pressure measurements. Water surface drag and wall friction coefficients are the main parameters used to calibrate these models, and they should be determined precisely for better model efficiency. The key dimensionless parameters influencing these coefficients are identified and listed as the nominal Froude and Reynolds numbers, a dimensionless pressure gradient term, headspace height to diameter ratio, and relative roughness height of the wall and water surface, calculated based on the water surface velocity and pipe diameter. A three-dimensional computational fluid dynamics model is developed to explore the effect of those parameters, assuming the air-water interface as a moving boundary in Couette flows. The resulting airflow regimes are analyzed using the produced air velocity profiles. Three regimes are identified: two are characterized as conduit pressurized flow with minor adjustments at the boundaries, and the last one includes the typical case for air movement in sewer networks. The value of the water drag coefficient is between 0.002 and 0.01, while the wall friction coefficient ranges from 0.015 to 0.045 for typical sewer conditions. This study provides an understanding of airflow dynamics and an accurate way to determine average air velocity, water drag, and wall friction coefficients in practical cases. The error from using a single value for both coefficients at any pressure gradient is assessed and reduced.
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 ».