Experimental and artificial neural network investigation on the effect of inclination angle on the interface temperature of CPU/metal foam heat sink
Notice bibliographique
Résumé
Purpose This study aims to clarify the relationship between inclination angle of hot surface of CPU and its temperature in absence and presence of aluminum foam as a cooling system. It proposes application of the artificial neural [multi-layer perceptron (MLP) and radial basis function] networks and adaptive neuron-fuzzy inference system (ANFIS) to predict interface temperature of central processing unit (CPU)/metal foam heat sink. Design/methodology/approach To provide a consistent set of data, the surface of an aluminum cone with and without installing Duocel aluminum foam was heated in a natural convection using an electrical resistor. The hot surface temperature was measured using five K-type thermocouples (±0.1°C). To develop the predictive models, ambient temperature, input power and inclination angle are taken as input which varied from 23°C to 32°C, 4 to 20 W and 0° to 90°, respectively. The hot surface temperature is taken as the output. Findings The results show that in the presence of foam, the hot surface temperature was less sensitive to the variations of angle, and the maximum enhancement of the heat transfer coefficient was 23 per cent at the vertical position. Both MLP network and ANFIS are comparable, but the values predicted by MLP network are in more conformity with the measured values. Originality/value The effect of metal foam on the inclination angle/hot surface temperature dependence is identified. The optimum angle is clarified. The applicability of the MLP networks to predict interface temperature of CPU/heat sink is approved.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| 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 | 0,000 |
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».