A Novel Method to Determine the Thermal Conductivity of Interfacial Layers Surrounding the Nanoparticles of a Nanofluid
Notice bibliographique
Résumé
Nanofluids are becoming increasingly popular as heat transfer fluids in a variety of industrial applications, due to their enhanced heat transfer characteristics. The thermal conductivity of nanofluids is usually found to be much larger than that predicted from the classical models, such as the Maxwell model. The key mechanism of enhancement of thermal conductivity of dilute nanofluids is the solvation of nanoparticles with a layer of matrix liquid. As of now, little is known quantitatively about the thermal conductivity of the interfacial layers surrounding the nanoparticles. In this article, a novel method is presented to determine the thermal conductivity of the interfacial layers of the nanoparticles. The proposed method allows the estimation of the thermal conductivity of interfacial layers based on the combined measurements of the intrinsic viscosity and intrinsic thermal conductivity of a bulk nanofluid. From the measured intrinsic viscosity of the nanofluid, the thickness of the interfacial layer is estimated. Using the known interfacial layer thickness along with the measured intrinsic thermal conductivity of the nanofluid, the thermal conductivity of the interfacial layer is estimated. The proposed method is validated by simulation and experimental results.
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 | 0,001 | 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 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 ».