Combining molecular modelling approaches for a holistic thermophysical characterisation of fluorinated refrigerant blends
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
After Montreal Protocol, hydrofluorocarbons (HFCs) appeared to be a permanent solution for replacing previous ozone-depleting substances. However, their utilisation has now progressively decreased following the Kigali Amendment application in 2016 due to their high global warming potential (GWP). Unsaturated HFCs, such as hydrofluoroolefins (HFOs), are considered feasible alternatives due to their high reaction rates and low atmospheric lifetimes, resulting in very low GWP. However, available data on their physicochemical behaviour still needs to be improved, even with the recent increase in the amount of new experimental data for these systems. In this direction, computational tools provide a quick pathway to screen their properties and complete the information obtained from experimental work. In this contribution, two different molecular modelling tools, molecular dynamics (MD) simulations and the soft-SAFT equation of state (EOS), are combined to compute the coexistence densities, vapour pressure, heat capacity, interfacial tension, and dynamic viscosity of several refrigerant blends based on 3rd and 4th generation compounds, in order to provide a thermodynamic analysis of the properties of these mixtures, addressing them for drop-in replacement purposes. Results from MD are compared with REFPROP data and those from soft-SAFT, where the capacities of both modelling methods are addressed. In general, quantitative agreement is achieved using the two approaches, offering a framework to screen these properties for new mixtures.
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.
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 découle