Prediction and analysis of thermal‐hydraulic performance of tubes with teardrop dimples based on artificial neural networks
Notice bibliographique
Résumé
Abstract In this study, the prediction and analysis of the thermal‐hydraulic performance of tubes with teardrop dimples were carried out. First, a numerical model of dimpled tubes using ANSYS 17.0 was established and verified by comparison with the Nusselt number ( Nu ) and friction factor ( f ) in the literature. Second, artificial neural networks (ANNs) were developed with five neurons in the input layer, the hidden layers of various neurons, and one neuron in the output layer. The five neurons are the diameter of the windward sphere ( d 1 ), diameter of the leeward sphere ( d 2 ), dimple depth ( h d ), spacing between two axially adjacent dimples ( l ), and quantity of dimples in a transverse cross‐section ( N ). After careful comparison, the model with the 5‐2‐6‐1 structure was selected for predicting both f and Nu , while the model with the 5‐6‐1 structure was selected for performance evaluation criteria (PEC). Finally, the influence of d 2 / d 1 on the heat transfer and pressure drop is discussed when l / d 1 or N changes. The results showed when N is moderate or l / d 1 is large within the scope of the design, the heat transfer performance in the windward part of the teardrop dimples is better than that of the spherical dimples. In addition, as N increases or l / d 1 decreases, the influence of dimples on the main flow increases, making the mixture of hot and cold working fluid better but causing a greater pressure drop. This study may provide ideas and guidance for the design, selection, and optimization of dimpled tubes.
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) | 0,000 | 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 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 ».