MétaCan
Menu
Retour à la cohorte
Enregistrement W2074282024 · doi:10.1115/icnmm2011-58038

Investigation of Cooling Performance of a Swirl Microchannel Heat Sink by Numerical Simulation

2011· article· en· W2074282024 sur OpenAlexaff
Yanfeng Fan, Ibrahim Hassan

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineEngineering
ThématiqueHeat Transfer and Optimization
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésHeat sinkMaterials scienceMechanicsMicrochannelHeat fluxPressure dropCoolantThermodynamicsMicro heat exchangerCritical heat fluxHeat transferHeat transfer coefficientPhysics

Résumé

récupéré en direct d'OpenAlex

High heat fluxes have been created by the semiconductor devices due to the high power generation and shrank size. The large heat flux causes the circuit to exceed its allowable temperature and may experience both working efficiency loss and irreversible damage due to excess in their temperatures. In this paper, a swirl microchannel heat sink is designed to dissipate the large heat flux from the devices. The numerical simulation is carried out to investigate the cooling performance. Uniform heating boundary condition is applied and single phase water is selected as coolant. The present micro heat sink applies multiple swirl microchannels positioned in a circular flat plate to enhance the heat convection by creating the secondary flow at high Reynolds numbers. Copper is selected as the material of heat sink. The channel depth and width are fixed as 0.5 mm and 0.4 mm, respectively. The heat is injected into the system from the bottom of heat sink at the heat fluxes from 10 to 60 W/cm2. Flow is supplied from the top of micro heat sink through a jet hole with a diameter of 2 mm and enters swirl microchannels at the volume flow rates varying from 47 to 188 ml/min. The cooling performances of swirl microchannel heat sinks with different curvatures and channel numbers are evaluated based on the targets of low maximum temperature, temperature gradient and pressure drop.

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: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,392
Score d'incertitude au seuil0,247

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 Opus0,022
Tête enseignante GPT0,199
Écart entre enseignants0,177 · 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'étudeSimulation ou modélisation
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

Citations3
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetHeat Transfer and OptimizationTravaux en français237 207