MétaCan
Menu
Retour à la cohorte
Enregistrement W2029800079 · doi:10.1615/ichmt.2012.cht-12.510

NUMERICAL INVESTIGATION OF NANOFLUID FLOW AND HEAT TRANSFER IN A PLATE HEAT EXCHANGER

2012· article· en· W2029800079 sur OpenAlexaff
Iulian Gherasim, Nicolas Galanis, Cong Tam Nguyen

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueHeat Transfer and Optimization
Établissements canadiensUniversité de MonctonUniversité de Sherbrooke
Organismes subventionnairesnon disponible
Mots-clésNanofluidLaminar flowTurbulenceHeat transferMaterials scienceMechanicsReynolds-averaged Navier–Stokes equationsHeat exchangerThermodynamicsDynamic scraped surface heat exchangerHeat transfer enhancementHeat transfer coefficientCritical heat fluxPhysics

Résumé

récupéré en direct d'OpenAlex

This paper presents a numerical investigation of the flow and heat transfer behavior of two nanofluids, namely CuO-water and Al2O3-water, inside a plate heat exchanger. Both laminar and turbulent flows are studied under steady state conditions. In the turbulent regime the RANS-based Realizable k−ε turbulence model was used. The homogeneous single-phase fluid model was employed to characterize the nanofluids. All fluid properties were considered temperature dependent. The adopted unstructured mesh possesses approximately 9.63×106 elements and was used for both laminar and turbulent flows. Results show that a considerable heat transfer enhancement was achieved using these nanofluids and the energy-based performance comparisons indicate that some of them do represent a more efficient heat transfer medium for this type of application. In general, all nanofluids cause higher pressure losses due to friction compared to that of water.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,283
Score d'incertitude au seuil0,299

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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)0,0000,000

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 Opus0,014
Tête enseignante GPT0,203
Écart entre enseignants0,188 · 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.

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
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetHeat Transfer and OptimizationTravaux en français237 207