Effect of addition of SiC and Al2O3 refractories on Kapitza resistance of antimonide-telluride
Notice bibliographique
Résumé
Invoking Effective Media Percolation theory (EMPT), Hasselaman-Johnson effective media theory (EMT), and Nan and Birringer EMT, the effect of addition of SiC and Al2O3 nanoparticles on Kapitza resistance (RBd) of Ni0.05Mo3Sb5.4Te1.6 was investigated. Pore size and their volume distribution, and surface area were characterized using BET technique to correlate pore effect and surface area on RBd. Bounds for effective thermal conductivity were determined using Lipton–Vernescu model. Variation of thermal conductance with respect to temperature was studied and compared with the results of other materials. According to EMPT, RBd in Ni0.05Mo3Sb5.4Te1.6/SiC composites ranged from 3.84 × 10-7 to 5.42 × 10-7 m2KW–1 and 3.36 × 10-7 to 3.86 × 10-7 m2KW–1 for Ni0.05Mo3Sb5.4Te1.6/Al2O3 composites. Kapitza radius (aK) for SiC samples was ranged between 2.01 – 2.84 μm; for Al2O3 samples it was 1.86 μm. Hasselman-Johnson model gave RBd values 55%, 51%, and 8% more than what EMPT is predicting, but of the same order and aK values 3.5 μm, 4 μm, 3 μm for SiC samples and 1.2 μm, 0.6 μm, 0.55 μm for Al2O3 samples. Nan-Birringer model yielded large aK of 7.25 μm and RBd ∼ 1.4 × 10–6 m2KW–1 for Ni0.05Mo3Sb5.4Te1.6/SiC. So obtained parameters are reasonable estimates. Variation of effective thermal conductivity in Al2O3 samples is more sensitive to particle size compared to SiC samples. Mechanical properties were studied using micro–indentation technique and their effect on effective thermal properties was ascertained. Addition of Al2O3 nanoparticles have aided in enhancing mechanical properties of bulk material.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».