MétaCan
Menu
Retour à la cohorte
Enregistrement W4415760462 · doi:10.1016/j.aeaoa.2025.100389

Pressure-liquefied ammonia jet dispersion: Multi-model intercomparison using Desert Tortoise and FLADIS field data

2025· article· en· W4415760462 sur OpenAlexfundno aff
Simon Gant, Joseph Chang, Steven R. Hanna, Gemma Tickle, Tom Spicer, Sun McMasters, Shannon Fox, Ron Meris, Scott Bradley, Sean Miner, Matthew R. King, S. Simpson, Thomas Mazzola, Alison McGillivray, Harvey Tucker, Oscar Björnham, Bertrand Carissimo, L. Fabbri, Maureen Heraty Wood, Mike Harper, Frank Hart, Thomas Vik, Anders Helgeland, J.E. Howard, Lorenzo Mauri, Shona Mackie, A. Mäck, Jean-Marc Lacôme, Stephen Puttick, Derek Miller, Seshu Dharmavaram, Amy Shen, Stéphane Burkhart, Chris Dixon, Sandra Nilsen, Robert W. Bradley, Hans Langva Skarsvåg, Eirik Holm Fyhn, Ailo Aasen

Notice bibliographique

RevueAtmospheric Environment X · 2025
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueWind and Air Flow Studies
Établissements canadiensnon disponible
Organismes subventionnairesNorges ForskningsrådCanada Excellence Research Chairs, Government of CanadaDefense Threat Reduction AgencyDanmarks Tekniske UniversitetCalifornia Student Aid Commission
Mots-clésRange (aeronautics)TortoiseDispersion (optics)Desert (philosophy)Atmospheric dispersion modelingPlumePrecipitationJet (fluid)

Résumé

récupéré en direct d'OpenAlex

This paper presents the findings of an international model inter-comparison exercise that was undertaken in the period 2021-2024 to assess the performance of atmospheric dispersion models for simulating releases of pressure-liquefied ammonia. The exercise used data from ammonia field trials dating from the 1980s and 1990s: the Desert Tortoise and the FLADIS trials. Concentration data from two arcs of sensors in the Desert Tortoise trials and three arcs of sensors in the FLADIS trials were used. Twenty-one independent modelling teams from North America and Europe participated in the exercise and provided in total twenty-seven sets of results from a range of different models, including empirically-based nomograms, integral, Gaussian puff, Lagrangian particle, and Computational Fluid Dynamics (CFD) models. The work is novel in presenting the results from such a large cohort of models, examining specifically the dispersion behaviour of ammonia. This is particularly relevant at the current time, given the growing international interest in using ammonia as a clean energy vector and shipping fuel. The study found that the agreement between model predictions and measurements (as determined by performance measures such as geometric mean bias and geometric variance) varied between different models. At any downwind distance, the range in predicted plume arc-max concentrations spanned a range of up to one or two orders of magnitude about the measurements. Several modelling teams used the same models and, in most cases, their predictions differed. Given appropriate inputs, most models generally predicted concentrations that agreed with the data within commonly-used model acceptance criteria. There was no single class of model that provided superior predictions to others; predictions from several empirically-based nomograms, integral, Gaussian puff, Lagrangian particle, and CFD models were all in close agreement with the data (as defined by the model acceptance criteria). The findings of the exercise are being used to help plan a programme of future ammonia experiments in the USA, called the Jack Rabbit III trials. The results are also useful for assessing the performance of models that may be applied to assess risks at ammonia facilities, and for emergency planning and response. • Study assessed capabilities of dispersion models for simulating ammonia releases • Model intercomparison exercise used data from the Desert Tortoise and FLADIS trials • 21 participating organisations and 27 sets of results from range of different models • Most models predicted acceptable arc-max concentrations • Findings useful for risk assessments, emergency response and planning future trials

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)0,004
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,090
Score d'incertitude au seuil0,179

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
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 Opus0,028
Tête enseignante GPT0,268
Écart entre enseignants0,241 · 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'étudeSimulation ou modélisation
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'admission1
Résumé présentoui

Explorer davantage

Même revueAtmospheric Environment XMême sujetWind and Air Flow StudiesTravaux en français237 207