MétaCan
Menu
Retour à la cohorte

Pressure Drop and Heat Transfer Characteristics of MWCNT/Heat Transfer Oil Nanofluid Flow inside Microfinned Helical Tubes with Constant Wall Temperature

2012· article· en· W1992388896 sur OpenAlexaff
M. Kazemi, M.A. Akhavan-Behabadi, Mohammad Pakdaman

Notice bibliographique

RevueAdvanced materials research · 2012
Typearticle
Langueen
DomaineEngineering
ThématiqueNanofluid Flow and Heat Transfer
Établissements canadiensSimon Fraser University
Organismes subventionnairesnon disponible
Mots-clésNanofluidLaminar flowMaterials sciencePressure dropHeat transferHeat transfer enhancementReynolds numberThermodynamicsMechanicsDimensionless quantityHeat transfer coefficientTurbulence

Résumé

récupéré en direct d'OpenAlex

Experiments are performed to investigate the single-phase flow heat transfer augmentation of MWCNT/HT-B oil in both smooth and microfinned helical tubes with constant wall temperature. The tests in laminar regime were carried out in helical tubes with three curvature ratios of 2R/d=25, 30 and 35. Flow Reynolds number varied from 170 to 1800 resulting in laminar flow regime. The effect of some parameters such as the nanoparticles concentration, the dimensionless curvature radius (2R/d) and the Reynolds number on heat transfer was investigated for the laminar flow regime. The weight fraction of nanoparticles in base fluid was less than 0.4%. within the applied range of Reynolds number; results indicated that for smooth helical tube the addition of nanoparticles to the base fluid enhanced heat transfer remarkably. However, compared to the smooth helical tube, the average heat transfer augmentation ratio due to nanoparticle addition for finned tube was small, about 17%. Also, by increasing the weight fraction of nanoparticles in microfinned helical tubes, no substantial changes were observed in the rate of heat transfer enhancement. For the pressure drop, the results show that the pressure drop of nanofluids was slightly higher than the base fluid and increase as the volume concentrations go up.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
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 enseignants0,007
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
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)0,0000,000

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 Opus0,015
Tête enseignante GPT0,256
Écart entre enseignants0,240 · 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 tête enseignante, pas un consensus.

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

Citations2
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAdvanced materials researchMême sujetNanofluid Flow and Heat TransferTravaux en français237 207