MétaCan
Menu
Retour à la cohorte
Enregistrement W4415401354 · doi:10.3390/pr13103374

Performance Evaluation of the Ultrasonic Humidification Process for HDH Desalination Applications

2025· article· en· W4415401354 sur OpenAlexafffund
Aurora C. Duran, Keny Parisheck, Mostafa H. Sharqawy

Notice bibliographique

RevueProcesses · 2025
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueMembrane Separation Technologies
Établissements canadiensUniversity of Guelph
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaMitacs
Mots-clésDesalinationAirflowUltrasonic sensorEfficient energy useEnergy consumptionProcess (computing)Renewable energyRangingAdaptability

Résumé

récupéré en direct d'OpenAlex

Water scarcity remains a critical global challenge, driving the need for efficient small-scale desalination technologies. This study presents experimental research on the performance evaluation of an innovative ultrasonic humidifier designed for the humidification–dehumidification (HDH) desalination process. A prototype was designed, incorporating a 1.7 MHz piezoelectric transducer. The efficiency of the humidifier, the vapor production rate, and the specific energy consumption were evaluated based on two operating parameters: water temperature, ranging from 30 °C to 60 °C, and airflow rate, ranging from 20 to 120 L/min. The results show that humidification efficiency increases with airflow rate, reaching values above 95% at a temperature of 60 °C, with an airflow rate of 60 L/min, decreasing slightly at higher flow rates. The system demonstrated optimal performance at 60–80 L/min, balancing high efficiency and vapor production with moderate energy demand. These findings demonstrate that ultrasonic humidification is a viable alternative, especially in decentralized applications, due to its low thermal energy requirements, compact design, and adaptability to intermittent renewable energy sources.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,036
Tête enseignante GPT0,332
Écart entre enseignants0,295 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueProcessesMême sujetMembrane Separation TechnologiesTravaux en français237 207