MétaCan
Menu
Retour à la cohorte
Enregistrement W2177148019 · doi:10.1139/cjp-2014-0388

Effect of heated wall position on heat transfer and entropy generation of Cu–water nanofluid flow in an open cavity

2015· article· en· W2177148019 sur OpenAlexvenueno aff
Zouhaier Mehrez, Afif El Cafsi, Ali Belghith, Patrick Le Quéré

Notice bibliographique

RevueCanadian Journal of Physics · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueNanofluid Flow and Heat Transfer
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésNanofluidRichardson numberHeat transferThermodynamicsPhysicsMechanicsReynolds numberVolume fractionIsothermal processEntropy (arrow of time)Materials scienceTurbulence

Résumé

récupéré en direct d'OpenAlex

This paper reports the numerical results of the mixed convection and entropy generation of Cu–water nanofluid flow in an open cavity heated from different sides with non-uniform temperature distribution. The finite volume method is used to solve the governing equations. The analysis is carried out by a range of Richardson numbers, 0.01 ≤ Ri ≤ 10, at a nanoparticle volume fraction of 0 ≤ [Formula: see text] ≤ 0.1, and Reynolds number Re = 200, with a cavity aspect ratio of L/H = 2. Three heating modes are considered: (A) the left wall is heated (inflow side, assisting flow); (B) the horizontal bottom wall is heated; and (C) the right wall is heated (outflow side, opposing flow). The results show that the heat transfer and the entropy generation increase with increasing Richardson number and nanoparticle volume fraction. The highest heat transfer and entropy generation are obtained with heating mode C (opposing flow). The contribution of heat transfer and fluid friction irreversibilities in the entropy generation depends on Richardson number and the heater position. The present investigation shows that the configuration with non-isothermal heater located at the bottom wall (B) has the highest performance in terms of heat transfer enhancement with minimum entropy generation.

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: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,429

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 Opus0,020
Tête enseignante GPT0,229
Écart entre enseignants0,209 · 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

Citations10
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of PhysicsMême sujetNanofluid Flow and Heat TransferTravaux en français237 207