MétaCan
Menu
Retour à la cohorte
Enregistrement W3130014609 · doi:10.3390/su13042401

Latent Heat Thermal Storage in Non-Uniform Metal Foam Filled with Nano-Enhanced Phase Change Material

2021· article· en· W3130014609 sur OpenAlexaff
Mohammad Ghalambaz, S.A.M. Mehryan, Ahmad Hajjar, Mehdi Fteïti, Obai Younis, Pouyan Talebizadehsardari, Wahiba Yaïci

Notice bibliographique

RevueSustainability · 2021
Typearticle
Langueen
DomaineEngineering
ThématiquePhase Change Materials Research
Établissements canadiensNatural Resources Canada
Organismes subventionnairesnon disponible
Mots-clésPorosityMaterials scienceMetal foamPhase-change materialHeat transferComposite materialThermal energy storageNatural convectionLatent heatPorous mediumThermalThermodynamics

Résumé

récupéré en direct d'OpenAlex

The melting heat transfer of CuO—coconut oil embedded in a non-uniform copper metal foam—was addressed. Copper foam is placed in a channel-shaped Thermal Energy Storage (TES) unit heated from one side. The foam is non-uniform with a linear porosity gradient in a direction perpendicular to the heated surface. The finite element method was applied to simulate natural convection flow and phase change heat transfer in the TES unit. The results showed that the porosity gradient could significantly boost the melting rate and stored energy rate in the TES unit. The best non-uniform porosity corresponds to a case in which the maximum porosity is next to a heated surface. The variation of the unit placement’s inclination angle is only important in the final stage of charging, where there is a dominant natural convection flow. The variation of porous pore size induces minimal impact on the phase change rate, except in the case of a large pore size of 30 pore density (PPI). The presence of nanoparticles could increase or decrease the charging time. However, using a 4% volume fraction of nanoparticles could mainly reduce the charging time.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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)0,0010,000

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 Opus0,021
Tête enseignante GPT0,286
Écart entre enseignants0,266 · 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.

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

Citations8
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSustainabilityMême sujetPhase Change Materials ResearchTravaux en français237 207