MétaCan
Menu
Retour à la cohorte
Enregistrement W3141651897 · doi:10.18280/mmep.080119

Mathematical Modelling of MHD Natural Convection in a Linearly Heated Porous Cavity

2021· article· en· W3141651897 sur OpenAlexvenueno aff

Notice bibliographique

RevueMathematical Modelling and Engineering Problems · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueNanofluid Flow and Heat Transfer
Établissements canadiensnon disponible
Organismes subventionnairesScience and Engineering Research BoardDepartment of Science and Technology, Ministry of Science and Technology, IndiaNational Institute of Technology Arunachal Pradesh
Mots-clésStreamlines, streaklines, and pathlinesRayleigh numberNatural convectionMechanicsDarcy numberHartmann numberHeat transferNanofluidFinite volume methodMaterials scienceMagnetohydrodynamicsConvectionConvective heat transferThermodynamicsPhysicsNusselt numberMagnetic fieldReynolds numberTurbulence

Résumé

récupéré en direct d'OpenAlex

A linear increase in thermal boundaries towards the bottom of the porous cavity is considered for numerical flow analysis on MHD natural convection. The two-dimensional square shaped cavity is filled with the Cu-water nanofluid. The dimensionless equations are considered to interpret the fluid and heat flow inside the cavity with respect to the desired boundaries. The governing equations are solved using the finite difference techniques. The relevant dimensionless parameters used in the present study are Rayleigh number, Darcy number, solid volume fraction of the nanoparticles and Hartmann number to obtain the flow fields. Heatline flows picturization techniques involved in the study analyze the heat flow inside the cavity. As the Rayleigh number and Darcy number increases, an increase in streamlines flow velocity and convection heat transfer is observed. Convective heat transfer is interrupted by increasing the applied magnetic field effects. An improvement in the heat transfer is noticed by increasing the solid volume fraction of the particles.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,596
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
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)0,0000,000

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 Opus0,022
Tête enseignante GPT0,192
Écart entre enseignants0,170 · 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'étudeSimulation ou modélisation
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

Citations7
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMathematical Modelling and Engineering ProblemsMême sujetNanofluid Flow and Heat TransferTravaux en français237 207