Different nanofluids effect on bubble characteristics at the isothermal bubble column
Notice bibliographique
Résumé
Abstract In this study, the effect of different nanofluids such as SiO 2 , Fe 3 O 4 , and Al 2 O 3 on bubble characteristics is studied experimentally. The nanoparticles concentration for the SiO 2 nanofluid is 0.05 wt% and for other nanofluids is 0.005 wt%. Bubbles are formed by injection of air at a constant gas flow rate (between 600‐1200 mL/h) into a stagnant isothermal liquid column. Experimental data of formation, growth, and detachment of the air bubbles were recorded by a high‐speed digital camera (1200 fps), and the image processing method was used to analyze the bubble characteristics. In the present study, bubble characteristics such as diameter, size, aspect ratio, and detachment frequency were studied in four different liquids. The results show that a bubble has the biggest size in the pure water and adding nanoparticles to the pure water decreases bubble size. Also, the variation of detachment frequency has an inverse relation with the bubble size behaviour. Between different nanoparticles, Fe 3 O 4 has maximum and SiO 2 has minimum effect on bubble features. By adding Fe 3 O 4 to pure water , bubble diameter decreases nearly 7%‐8% and bubble detachment frequency increases nearly 15%‐20%. In order to analyze the variation of the bubble characteristics, a force modelling on bubbles during the growth was proposed. Moreover, a correlation has been proposed for the prediction of bubble diameter at detachment time in three different nanofluids and in the pure water. The mean absolute error of this correlation is 2.65% and has a good agreement with experimental results.
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 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 | 0,000 | 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) | 0,002 | 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 tête enseignante, 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 ».