MétaCan
Menu
Retour à la cohorte
Enregistrement W2258752576 · doi:10.4071/imaps.255

Application of a Flow Optimizer in a Limited Space to Increase Series Fan Performance

2010· article· en· W2258752576 sur OpenAlexaff
Jonathan Jilesen, Howard Harrison, Fue‐Sang Lien, Darryl McCumber

Notice bibliographique

RevueJournal of Microelectronics and Electronic Packaging · 2010
Typearticle
Langueen
DomaineEngineering
ThématiqueTurbomachinery Performance and Optimization
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesDelta Electronics
Mots-clésStatorAirflowComputational fluid dynamicsFlow (mathematics)Noise (video)Volumetric flow rateSimulationPower consumptionPower (physics)Automotive engineeringComputer scienceMechanicsMaterials scienceMechanical engineeringElectrical engineeringEngineeringPhysicsThermodynamics

Résumé

récupéré en direct d'OpenAlex

The performance increase of cooling for a 1U SunFire 4100 server through the introduction of multiple flow optimizers is investigated in this article. We found that the power consumption of cooling fans could be decreased by 17–33% depending on operating conditions. The use of flow optimizers was found to reduce noise produced by cooling fans by at least 5.3 dB(A). We also discuss the use of the increased performance to increase thermal head room by increasing the flow rate of cooling air by 6.5–20.4%. In addition, we found that a primary fan used with an exit stator allowed the overall fan module length to be reduced without a loss in performance. Reducing the length allowed the flow optimizers to fit into the standard 56-mm space previously occupied by the original series fans. CFD analysis was performed to better understand the effect of this stator on airflow.

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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,559
Score d'incertitude au seuil0,605

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 recherche0,0000,001
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 Opus0,001
Tête enseignante GPT0,175
Écart entre enseignants0,173 · 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

Citations0
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Microelectronics and Electronic PackagingMême sujetTurbomachinery Performance and OptimizationTravaux en français237 207