Experimental and artificial neural network investigation on the effect of inclination angle on the interface temperature of CPU/metal foam heat sink
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,000 |
| 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 découle