Influence of Pore Density and Porosity on the Melting Process of Bio-Based Nano-Phase Change Materials Inside Open-Cell Metal Foam
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
In this paper, experimental investigations were carried out to observe the melting process of a bio-based nano-phase change materials (PCM) inside open-cell metal foams. Copper oxide nanoparticles with five different weight fractions (i.e., 0.00%, 0.08%, 0.10%, 0.12%, and 0.30%) were dispersed into bio-based PCM (i.e., coconut oil) to synthesize nano-PCMs. Open-cell aluminum foams of different porosities (i.e., 0.96, 0.92, and 0.88) and pore densities (i.e., 5, 10, and 20 pores per inch (PPI)) were considered. An experimental setup was constructed to monitor the progression of the melting process and to measure transient temperatures variations at different selected locations. Average thermal energy storage rate (TESR) was calculated, alongside the melting time was recorded. The effects of various nanoparticles concentration, metal foam pore densities, porosities, and isothermal surface temperature on the melting time, TESR, thermal energy distribution, and the melting behavior were studied. It was observed that the melting time significantly reduced by using metal foam and increasing the isothermal surface temperature. It was concluded that the effect of adding nanoparticles on the TESR depends on the characteristics of metal foam, as well as, the weight fractions of nanoparticles. The change in TESR varied from −1% to 8.6% upon addition of 0.10 wt % nanoparticles compared to pure PCM, whereas the increase in the nanoparticles concentration from 0.10% to 0.30% changed TESR by −10.6% to 4.5%. The results provide an insight into the interdependencies of parameters such as pore density and porosity of metal foam and nanoparticles concentration on the melting process of nano-PCM in metal foam.
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