Effects of Acidity and Method of Preparation on Nucleate Pool Boiling of Nanofluids
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Past research has shown contradicting trends in the rate of heat transfer during pool boiling of nanofluids, which could be attributed either to their stability or to their method of preparation or to both. An experimental study has been conducted to investigate the effects of electrostatic stabilization and preparation method of nanofluids on their pool boiling rate of heat transfer. Nanofluids made from water and alumina nanoparticles at 0.1 vol% concentration were used. The effect of electrostatic stabilization was investigated by changing the pH value from 6.5, neutral, to 5, acidic. The effect of preparation method has been investigated by using nanofluids prepared from dry particles and from ready-made suspensions. Compared with water, all nanofluids investigated resulted in deterioration in the rate of heat transfer during pool boiling. Neutral nanofluids made from ready-made suspensions and from dry particles resulted into almost the same deterioration in the rate of heat transfer of 49% and 45%, respectively, with respect to that of pure water. The most significant effect of electrostatic stabilization was found in the case of acidic nanofluids made from dry particles, which resulted in deterioration in the rate of heat transfer of 31%. However, acidic nanofluids made from ready-made suspensions resulted in a deterioration of 46%, which is almost the same as that of suspension-made and dry particles-made nanofluids. These results indicate that electrostatic stabilization using acid addition is most effective with nanofluids made from dry particles.
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.
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 | 0,000 |
| 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 découle