MétaCan
Menu
Retour à la cohorte
Enregistrement W2908918277 · doi:10.18280/mmep.050402

Applications of nanofluids in geothermal: A review

2018· review· en· W2908918277 sur OpenAlexvenueno aff
Mohammad Hossein Ahmadi, Mahdi Ramezanizadeh, Mohammad Alhuyi Nazari, Giulio Lorenzini, Ravinder Kumar, Ravindra Jilte

Notice bibliographique

RevueMathematical Modelling and Engineering Problems · 2018
Typereview
Langueen
DomaineEngineering
ThématiqueEnhanced Oil Recovery Techniques
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésNanofluidGeothermal gradientEnvironmental sciencePetroleum engineeringMaterials scienceGeologyNanotechnologyGeophysicsNanoparticle

Résumé

récupéré en direct d'OpenAlex

Geothermal energy is one of the most suitable sources of energy since it is possible to use it continuously for generating power and providing heat.Firstly, recent trends in geothermal energy are discussed and compared with other types of renewable energies.According to the results of this section, geothermal energy is an attractive choice for future power generation due to its low carbon dioxide emission and levelzied cost of electricity in comparison with other renewable energy sources.Afterwards, applications of nanofluid in geothermal-based energy systems are reviewed and their important results are represented.On the basis of literature review, using nanofluids can result in augment in geothermal systems.The enhancement is dependent on several factors including the type of nanofluid, concentration and system specification.According to the results of a study, the effect of using nanofluid on heat transfer rate became more significant at higher flow rates.In addition, using nanofluids can reduce the size of heat exchangers used in geothermal-based system.The main effects of employing nanofluids is increase in convective heat transfer and pressure loss.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,029
Tête enseignante GPT0,266
Écart entre enseignants0,237 · 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations42
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMathematical Modelling and Engineering ProblemsMême sujetEnhanced Oil Recovery TechniquesTravaux en français237 207