Impacts of flow velocity and microbubbles on water flushing in a horizontal pipeline
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.
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 | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».