Methods for Predicting Bubble Size Distribution in Turbulent Flow
Notice bibliographique
Résumé
Abstract Gas bubbles are commonly observed in both natural and human‐made water systems, and their generation and distribution play pivotal roles in water quality and aquatic habitats. This study explores methods for predicting bubble size distribution within various types of turbulent flows. Models for bubble size distribution, both with and without bubble breakup, are developed and validated using experimental data from flows featuring return rollers at hydraulic jumps, skimming flows in stepped spillways, and bubbly flows in plunging jets. The experimental measurements reveal that turbulence kinetic energy dissipation rate, air void ratio, and Weber number influence bubble size distribution. These parameters are utilized to formulate the bubble size distribution model. When bubbles remain stable without breakup (i.e., when the Weber number is less than the critical Weber number), bubble size distribution at points and transects within fully developed turbulent flows can be accurately predicted. When the Weber number exceeds the critical value, the process of bubble breakup is considered to estimate the bubble size distribution. Additionally, numerical methods using the population balance model demonstrate that the initial bubble size fraction has minimal influence on the ultimate distribution in fully developed turbulent flows, while the air void ratio significantly impacts bubble size distribution. This study addresses the applicability and limitations of the bubble size distribution models and comprehensively discusses the advantages and disadvantages of each method, providing recommendations for their selection in both research and engineering applications.
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 | 0,002 | 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 ».