Towards accurate modeling of surface tension of dry gas constituents using linear gradient theory and improved volume-translated SRK EOS
Notice bibliographique
Résumé
• Integrate linear gradient theory with SRK EOS and four volume-translated SRK EOSs. • This model yields more accurate surface tension and saturation property predictions. • This model performs best in predicting density profiles among these models. • This model exactly reproduces the critical volumes of dry gas constituents. Dry gas, mainly comprised of methane, ethane, and other light alkanes, is a crucial energy source with widespread applications. Accurate surface tension predictions of dry gas constituents are important for the design and optimization of various industrial dry-gas-based systems. In this study, we integrate the linear gradient theory with five Soave-Redlich-Kwong equations of state (SRK EOSs) (including the original SRK EOS and several volume-translated SRK EOSs), leading to the development of various linear-gradient-theory-based surface tension models. Among these five models, the linear gradient theory coupled with the volume-translated SRK EOS proposed in our previous work demonstrates the highest accuracy in predicting the surface tension for the 10 dry gas constituents considered in this study, with an %AAD of 0.90. The linear gradient theory combined with our previously proposed volume-translated SRK EOS also performs best in calculating density profiles among the five surface tension models. Moreover, the previously proposed volume-translated SRK EOS is capable of accurately predicting the saturation properties and exactly replicating the true critical volumes of the 10 dry gas constituents.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».