URI | http://purl.tuc.gr/dl/dias/CB569857-B5F2-4C03-A7F2-DA473D508E60 | - |
Αναγνωριστικό | https://doi.org/10.1080/01932691.2013.809505 | - |
Γλώσσα | en | - |
Μέγεθος | 7 | en |
Τίτλος | Experimental study
and numerical modelling of rheological and flow behaviour of xanthan gum solutions using artificial
neural network | en |
Δημιουργός | Razi Meisam Mirarab | en |
Δημιουργός | Kelesidis Vasilis | en |
Δημιουργός | Κελεσιδης Βασιλειος | el |
Δημιουργός | Maglione Roberto | en |
Δημιουργός | Ghiass Majid | en |
Δημιουργός | Ghayyem Mohammad Ali | en |
Εκδότης | Taylor & Francis | en |
Περιγραφή | Δημοσίευση σε επιστημονικό περιοδικό | el |
Περίληψη | This study investigated effect of temperature, concentration, and shear rate on rheological properties of xanthan gum aqueous solutions using a Couette viscometer at temperatures between 25°C and 55°C and concentrations of 0.25 wt% to 1.0 wt%. The Herschel–Bulkley model described very well the non-Newtonian behavior of xanthan gum solutions. Shear rate, temperature, and concentration affected apparent viscosity and an equation was proposed for the temperature and concentration effect valid for each shear rate. This article also presents an artificial neural network (ANN) model to predict apparent viscosity. Based on statistical analysis, the ANN method estimated viscosity with high accuracy and low error. | en |
Τύπος | Peer-Reviewed Journal Publication | en |
Τύπος | Δημοσίευση σε Περιοδικό με Κριτές | el |
Άδεια Χρήσης | http://creativecommons.org/licenses/by/4.0/ | en |
Ημερομηνία | 2015-10-30 | - |
Ημερομηνία Δημοσίευσης | 2014 | - |
Θεματική Κατηγορία | Artificial neural network | en |
Θεματική Κατηγορία | drilling fluid | en |
Θεματική Κατηγορία | Herschel–Bulkley | en |
Θεματική Κατηγορία | rheological properties | en |
Θεματική Κατηγορία | xanthan gum | en |
Βιβλιογραφική Αναφορά | M. Mirarab Razi, V.C. Kelessidis, R. Maglione, M. Ghiass, M.A. Ghayyem, "Experimental study and numerical modelling of rheological and flow behaviour of xanthan gum solutions using artificial neural network," Journal of Dispersion Science and Technology, vol. 35, no. 12, pp. 1793-1800, 2014. doi: 10.1080/01932691.2013.809505
| en |