MétaCan
Menu
Retour à la cohorte
Enregistrement W2923298445 · doi:10.36884/jafm.12.si.29918

Impact of the Self-Adaptive Valve Behavior on an Array of Microfluidic Cells under Unsteady and Non-Uniform Heat Load Distributions

2019· article· en· W2923298445 sur OpenAlexaff
Gerard Laguna, Montse Vilarrubí, Joan Rosell, F. Badía, Hassan Azarkish, Louis Michel Collin, Luc G. Fréchette, Jérôme Barrau

Notice bibliographique

RevueJournal of Applied Fluid Mechanics · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueHeat Transfer and Optimization
Établissements canadiensInstitut interdisciplinaire d'innovation technologiqueUniversité de Sherbrooke
Organismes subventionnairesnon disponible
Mots-clésMicrochannelMaterials scienceMicrofluidicsMechanicsPower (physics)Work (physics)Jet (fluid)Working fluidThermodynamicsNanotechnologyPhysics

Résumé

récupéré en direct d'OpenAlex

Previous studies have demonstrated that the performance of a cooling scheme based on a matrix of microfluidic cells with self-adaptive valves under unsteady and non-uniform heat load scenarios improves in terms of pumping power and temperature uniformity, compared to the ones from conventional microchannels and hybrid jet impingement/microchannel cooling devices.The behavior of the thermally dependent self-adaptive valves varies as a function of some design parameters.In this work, the impact of the valve's characteristic curve on the cooling device is assessed to establish the basic rules for the valve design.The performance of a 3×3 microfluidic cell array is numerically studied under an unsteady and non-uniform heat load scenario.The results show that the valves which open at the most elevated temperature (control temperature of 90ºC) reduce by 15.5% the pumping power with respect to the valves opening at 60ºC, while improving by 25.0% the temperature uniformity and reducing both the overcooling and the fatigue.

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: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,002

Scores du classifieur distillé par catégorie (deux têtes)

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

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,215
Écart entre enseignants0,208 · 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'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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

En bref

Citations2
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Applied Fluid MechanicsMême sujetHeat Transfer and OptimizationTravaux en français237 207