Further Investigation on Laminar Forced Convection of Nanofluid Flows in a Uniformly Heated Pipe Using Direct Numerical Simulations
Notice bibliographique
Résumé
In the present paper, laminar forced convection nanofluid flows in a uniformly heated horizontal tube were revisited by direct numerical simulations. Single and two-phase models were employed with constant and temperature-dependent properties. Comparisons with experimental data showed that the mixture model performs better than the single-phase model in the all cases studied. Temperature-dependent fluid properties also resulted in a better prediction of the thermal field. Particular attention was paid to the grid arrangement. The two-phase model was used then confidently to investigate the influence of the nanoparticle size on the heat and fluid flow with a particular emphasis on the sedimentation process. Four nanoparticle diameters were considered: 10, 42, 100 and 200 nm for both copper-water and alumina/water nanofluids. For the largest diameter d n p = 200 nm, the Cu nanoparticles were more sedimented by around 80%, while the A l 2 O 3 nanoparticles sedimented only by 2 . 5 %. Besides, it was found that increasing the Reynolds number improved the heat transfer rate, while it decreased the friction factor allowing the nanoparticles to stay more dispersed in the base fluid. The effect of nanoparticle type on the heat transfer coefficient was also investigated for six different water-based nanofluids. Results showed that the Cu-water nanofluid achieved the highest heat transfer coefficient, followed by C, A l 2 O 3 , C u O , T i O 2 , and S i O 2 , respectively. All results were presented and discussed for four different values of the concentration in nanoparticles, namely φ = 0 , 0 . 6 % , 1 % and 1 . 6 % . Empirical correlations for the friction coefficient and the average Nusselt number were also provided summarizing all the presented 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».