MétaCan
Menu
Retour à la cohorte
Enregistrement W2954080388 · doi:10.1139/cjp-2018-0971

Flow and heat transfer of nanofluid in a channel partially filled with porous media considering turbulence effect in pores

2019· article· en· W2954080388 sur OpenAlexvenueno aff
Ali Asghar Sedighi, Zeynab Deldoost, Bahram Mahjoob Karambasti

Notice bibliographique

RevueCanadian Journal of Physics · 2019
Typearticle
Langueen
DomaineEngineering
ThématiqueNanofluid Flow and Heat Transfer
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésNanofluidPorous mediumTurbulenceTurbulence kinetic energyNusselt numberPorosityThermodynamicsHeat transferMechanicsKinetic energyMaterials sciencePhysicsComposite materialReynolds numberClassical mechanics

Résumé

récupéré en direct d'OpenAlex

The flow and heat transfer of Al 2 O 3 –water nanofluid in a channel partially filled with porous media is investigated numerically. The turbulence effect in the porous media is taken under consideration in this article. A simple case is simulated first to evaluate the accuracy of the results in comparison with the available data. The turbulent kinetic energy profile is investigated at a flow cross section. The results show that the maximum turbulent kinetic energy occurs in the clear fluid region in the vicinity of the porous media region. The turbulent kinetic energy is a decreasing function of the porosity of the porous medium. The effect of porosity on the variation of turbulent kinetic energy decreases with the increase in the porosity of the porous medium. The turbulent kinetic energy in clear fluid and porous media regions decreases with the increase in nanofluid concentration from 0.01 to 0.03, and it increases with the increase in nanofluid concentration from 0.03 to 0.05. The temperature of the nanofluid increases with the increase in the nanofluid concentration and decrease in the porosity of porous media. It is shown that for this case, with the increase in nanofluid concentration and porosity of porous media, the skin friction coefficient increases and the Nusselt number decreases.

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,525
Score d'incertitude au seuil0,984

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 Opus0,006
Tête enseignante GPT0,168
Écart entre enseignants0,162 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations12
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of PhysicsMême sujetNanofluid Flow and Heat TransferTravaux en français237 207