Application of Machine Learning in Computational Fluid Dynamics-based Design and Optimisation of Turboexpanders Used in Natural Gas Pressure Reduction Stations
Notice bibliographique
Résumé
A recently proposed resolution in the market of natural gas (NG) supply in urban areas considers the installation of energy-saving machinery such as turbo expanders in pressure reduction stations (PRSs) of NG distribution networks. The use of turboexpanders in these networks has successfully shown pronounced benefits over the traditional Joule-Thompson (J-T) valves, by effectively recovering the waste energy of the gas during the expansion process. On the negative side, however, turboexpanders are often exposed to off-design operations, ie mainly due to inefficient design causing an improper response to instantaneous variations of upstream pressure in a given NG distribution cycle, which may eventually compromise their advantages, if running uncontrolled. Towards addressing this very complexity, the present work is intended to introduce and examine a cost-effective, yet reliable, numerical framework that integrates machine learning (ML) with computational fluid dynamics (CFD) to improve re-design and optimisation of existing NG turboexpanders in PRS facilities, with the ultimate goal of upgrading traditional procedures frequently used for maintaining such machinery. Considering the high granularity of the proposed framework, it is anticipated that it could be conveniently extended as a robust supplemental tool for related industrial maintenance procedures dealing with NG turbomachinery and energy systems.<br/>
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».