Impacts of flow velocity and microbubbles on water flushing in a horizontal pipeline
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
Water flushing to remove particle sediment is essential for safe and continuous transport of many industrial slurries through pipelines. Efficient flushing strategy may reduce water consumption and the cost associated with water usage, and help water conservation for sustainability. In this study, a computational fluid dynamics (CFD) model coupled with the kinetic theory of granular flow for the flushing process is presented. The CFD models were validated against field data collected from a coal slurry pipeline of 128 km in length, 0.575 m in diameter, achieving an average error of less than 15 % for outlet solid concentration over time. A parametric study evaluated the effects of water velocity (1.88–5.88 m /s ), bubble size (50 µm, 150 µm, and 1000 µm) and bubble volume fraction (0.05–0.2) on flushing performance including pipeline cleanness, cleanness efficiency, and water consumption. The obtained outcomes indicate that higher water velocity is preferred and an increase in water velocity from 1 . 88 m /s to 5 . 88 m /s reduces the water consumption by 28 %. Large bubbles may hinder the flushing process and increase the water consumption by 23 %. Remarkably, small bubbles facilitates the flushing process and lead to 35 % reduction in water consumption. These effects are attributed to the turbulent characteristics in the pipelines in presence of microbubbles. The study provides valuable insights into optimizing flushing operations by rationally leveraging microbubbles to improve water resource efficiency and operational reliability in industrial 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.
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