Insight to Innovation: An Overview of Research Journey of Dr. Satish Kandlikar
Notice bibliographique
Résumé
Abstract Professor Satish G. Kandlikar has been an outstanding researcher in the field of heat transfer having published some of the most widely cited publications over the last 30 years. Through the years he has co-authored 212 journal paper in various areas of heat transfer. The present paper provides a compressive look at Professor Kandlikar’s research work over the years. The research work has been broadly categorized into 1) flow boiling correlations, 2) fluid flow and heat transfer in microchannels, 3) roughness effect at microscale, 4) pool boiling heat transfer and CHF modeling, 5) surface enhancements for pool boiling, 6) numerical modeling of bubble growth in boiling, 7) modeling liquid-vapor and liquid-liquid interfaces, 8) water transport in PEM fuel cells and 9) infrared imaging to detect breast cancer. The research conducted in each of these areas has produced some landmark findings, some of the most widely used theoretical models and an abundance of high quality experimental data. The focus of this paper is to collate major finding and highlights some of the common themes that guided the research in Professor Kandlikar’s group. This will help the readers gain a comprehensive understanding of each of the areas of study in Professor Kandlikar’s group and place the findings of the paper in a larger context.
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 | 0,019 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,008 |
| Communication savante | 0,013 | 0,012 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».