MétaCan
Menu
Retour à la cohorte
Enregistrement W2335188322 · doi:10.11159/jffhmt.2016.005

Numerical Simulation of Al<sub>2</sub>O<sub>3</sub>/Automatic Transmission Fluid and Al<sub>2</sub>O<sub>3</sub>/Water Nanofluids in a Compact Heat Exchanger

2016· article· en· W2335188322 sur OpenAlexaffvenue
Mohammed Ismail, Shahram Fotowat, Amir Fartaj

Notice bibliographique

RevueJournal of Fluid Flow Heat and Mass Transfer · 2016
Typearticle
Langueen
DomaineEngineering
ThématiqueNanofluid Flow and Heat Transfer
Établissements canadiensUniversity of Windsor
Organismes subventionnairesnon disponible
Mots-clésNanofluidHeat exchangerMaterials scienceThermodynamicsMechanicsHeat transferPhysics

Résumé

récupéré en direct d'OpenAlex

This research presents a numerical study of the effects of nanoparticles on high viscosity fluid as well as low viscosity fluid in heat transfer characteristics. Automatic transmission fluid (ATF) and water based aluminum oxide (Al2O3) nanofluids are used in a multiport slab minichannel heat exchanger (MICHX) under laminar flow conditions. The MICHX test specimen with the test section is modelled and solved using a finite volume method based CFD code. Three different concentrations ranges from 1%-3%vol of Al2O3 nanoparticles are considered in this study. Liquids of a steady temperature of 76C are cooled through a constant air flow rate of 507g/s and temperature of 14C in a cross-flow orientation. Different mass flux ranging from 300 to 1200 kg/m 2 s are maintained for each volume concentration. The effects of volume fraction of Al2O3 nanoparticles on liquid-side heat transfer rate, dimensionless temperature, heat transfer co-efficient, and Nusselt number (Nu) are computed. The numerical results show the enhanced heat transfer coefficient for both Al2O3/ATF and Al2O3/water nanofluids. The enhancement of heat transfer coefficient of Al2O3/water is insignificant with the increase of nanoparticle volume fraction; however, it is significant for Al2O3/ATF nanofluid.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesMéta-épidémiologie (sens strict)
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 enseignants0,115
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0030,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,002
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
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 Opus0,010
Tête enseignante GPT0,216
Écart entre enseignants0,206 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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

Citations4
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Fluid Flow Heat and Mass TransferMême sujetNanofluid Flow and Heat TransferTravaux en français237 207