Analysis of natural convection in a nanofluid‐filled triangular enclosure induced by cold and hot sources on the walls using stabilised MLPG method
Notice bibliographique
Résumé
Abstract A stabilised meshless local Petrov–Galerkin (MLPG) method with unity as the test function is extended to simulate the buoyancy‐driven fluid flow and heat transfer in a right‐angled, triangular enclosure filled with a nanofluid composed of a mixture of Al 2 O 3 spherical nanoparticles in water. A cold source with a constant temperature T c and a hot source with a constant temperature T h are placed along the left and bottom walls of the cavity, respectively, with a differential temperature difference between T c and T h so that T h > T c . The simulations performed in this study are based on the stream function–vorticity formulation. The moving least‐squares interpolations of the field variables are employed in these MLPG numerical calculations. A streamline upwind technique is employed to obtain stable solutions for high Rayleigh numbers. A parametric study is performed, and the effects of the Rayleigh number, the locations of the cold and hot sources on the respective cavity walls, and the volume fraction of the nanoparticles on the fluid flow and heat transfer inside the cavity are investigated. The results show that the average Nusselt number is generally an increasing function of the volume fraction of the nanoparticles. Moreover, it is concluded from the results that the locations of the cold and hot sources on the respective cavity walls have a significant effect on the flow and temperature fields inside the enclosure. In general, the maximum average Nusselt number occurs when the centres of the cold and hot sources are at Y s = 0.167 and X s = 0.167, respectively, while the average Nusselt number is minimum for Y s = 0.833 and X s = 0.833.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 ».