Thermal Conductivity and Stability of Novel Aqueous Graphene Oxide–Al2O3 Hybrid Nanofluids for Cold Energy Storage
Notice bibliographique
Résumé
Thermal ice storage has gained a lot of interest due to its ability as cold energy storage. However, low thermal conductivity and high supercooling degree have become major issues during thermal cycling. For reducing the cost and making full use of the advantages of the graphene oxide–Al2O3, this study proposes heat transfer enhancement of thermal ice storage using novel hybrid nanofluids of aqueous graphene oxide–Al2O3. Thermal conductivity of aqueous graphene oxide–Al2O3 nanofluid was measured experimentally over a range of temperatures (0–70 °C) and concentrations. Thermal conductivity of ice mixing with the hybrid nanoparticles was tested. The influences of pH, dispersant, ultrasonic power and ultrasonic time on the stability of the hybrid nanofluids were examined. A new model for the effective thermal conductivity of the hybrid nanofluids considering the structure and Brownian motion was proposed. The results showed that pH, dispersant, ultrasonic power level and ultrasonication duration are important factors affecting the stability of the hybrid nanofluids tested. The optimum conditions for stability are pH = 11, 1% SDS, 375 W ultrasonic power level and 120 min ultrasonic application time. The thermal conductivity of hybrid nanofluids increases with the increase of temperature and mass fraction of nanoparticles. A newly proposed thermal conductivity model considering the nanofluid structure and Brownian motion can predict the thermal conductivity of hybrid nanofluids reasonably well.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».