MétaCan
Menu
Retour à la cohorte
Enregistrement W2306713076 · doi:10.2298/tsci151130016x

A computational study of heat transfer under twin turbulent slot jets impinging on planar smooth and rough surfaces

2016· article· en· W2306713076 sur OpenAlexaff
Peng Xu, Agus P. Sasmito, Arun S. Mujumdar

Notice bibliographique

RevueThermal Science · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueHeat Transfer Mechanisms
Établissements canadiensMcGill University
Organismes subventionnairesChina Scholarship CouncilNatural Science Foundation of Zhejiang ProvinceNational Natural Science Foundation of China
Mots-clésJet (fluid)TurbulenceHeat transferMechanicsPlanarSurface roughnessMaterials sciencePhysicsHeat transfer enhancementHeat transfer coefficientThermodynamicsComputer science

Résumé

récupéré en direct d'OpenAlex

The flow and heat transfer characteristics of twin turbulent slot jets impinging on planar smooth and rough surfaces are examined using a computational fluid dynamics model. The interaction between jets lowers the heat transfer performance of each jet in the zone where the wall jets collide. A single jet performs better than the equivalent twin jet. The average heat transfer under twin jets which are injected alternately so that each one of the pair of jets behaves like a single jet, is found to be better than twin jets issuing simultaneously. It is proposed that alternating jet flows in the twin jet arrangement is a simple novel way to enhance thermal performance of jet pairs. Along with parametric studies of the key flow and geometric parameters, effects of large temperature differences between the jet air and the target surface being heated, and model roughness of the target surface are also evaluated. Interestingly, roughness can lower the heat transfer performance in the impingement zone as the fluid can get trapped in the valleys in the rough surface.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,012
Score d'incertitude au seuil0,023

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,021
Tête enseignante GPT0,239
Écart entre enseignants0,218 · 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 source (Gemma direct ou Codex distillé), 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

Citations15
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThermal ScienceMême sujetHeat Transfer MechanismsTravaux en français237 207