Unlocking the dynamics of complex instability mechanisms in developing gravity-driven slug flows
Notice bibliographique
Résumé
• Explores, identifies, and classifies the complex instability mechanisms in gravity-driven slug flows. • Investigates interconnectedness and spatiotemporal-spectral characteristics of instability mechanisms. • Establishes a new standard for analyzing and controlling two-phase flow systems. • Investigates how gravity influences instability modes and flow evolution in slug flows. • Introduces a novel AI-assisted analysis framework, achieving real-time diagnostic precision with an accuracy rate of approximately 96 %. Slug flow stability stands as a critical frontier in two-phase flow research, with limited focus on the complex dynamics governing unstable gravity-driven slug flows in developing regions. Despite decades of research, several uncertainties persist, particularly regarding the complex mechanisms driving the flow instabilities. These uncertainties encompass the systematic classification of instabilities, their interdependence or isolation, their persistence or transience, and whether they exhibit chaotic or periodic behavior. Additionally, questions remain about their temporal dynamics—whether they evolve rapidly or gradually—their relative intensity, and their spatiotemporal propagation as they interact with overall flow development. Moreover, it remains unclear whether gravity induces new instability modes, what distinct characteristics these modes exhibit, and how gas density modulate instability dynamics. Furthermore, can a fully stabilized flow state ever be attained, or is it an elusive ideal? Most critically, how can one effectively diagnose instabilities, track their progression, and pinpoint stabilization onset in real time under operational constraints? Addressing these questions has been historically challenging due to the lack of a robust framework capable of simultaneously analyzing the inherent multi-layered complexities of two-phase flow instabilities. To overcome this limitation and provide explanations for the above-mentioned questions, we introduce a novel AI-assisted, data-driven, scale-independent spatiotemporal-spectral analysis framework, integrating advanced signal processing techniques—Recurrence Qualification Analysis, Fast Fourier Transform, and Discrete and Continuous Wavelet Transforms—to analyze void fraction signals captured at four spatial locations in air- and CO 2 -water gravity-driven slug flows. High-speed imaging complements the analysis, offering visual insights into transient instability mechanisms. The analysis also charts an instability map, systematically classifying instability mechanisms while depicting their interconnections. A Convolutional Neural Network extracts features, transforming the analysis framework into a fast-response, real-time diagnostic and predictive tool, achieving an accuracy of ∼ 96 %. This represents a breakthrough in diagnosing instabilities, tracking their evolution, and identifying the onset of stabilization within slug flows. By bridging analytical precision with real-time capabilities, this data-driven, scale-independent framework establishes a new benchmark for the analysis and control of complex two-phase flow systems of varying dimensions.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».