Machine-Learning Enhanced Analysis of Mixed Biothermal Convection of Single Particle and Hybrid Nanofluids within a Complex Configuration
Notice bibliographique
Résumé
Transport phenomena in a hybrid or single-particle nanofluid over a conical body embedded inside a porous medium are investigated. The fluid contains homogeneously mixed nanoparticles and live cells that are able to migrate, collectively sculpturing a thermo-biosolutal system. Transport processes including mixed convection as well as species and cell transfer are simulated using a similarity technique. As the problem involves a large number of parameters with complicated interactions, machine learning is applied to predict a wide range of parametric variations. The simulation data are used to build an intelligent tool based on an artificial neural network to predict the behavior of the system. This also aids the development of precise correlations for nondimensional parameters dominating the transport phenomena. The results indicate that lower values of the motile Lewis number and a higher mixed convection parameter enhance the Nusselt number. However, it is contained respectively by the increment of the Peclet number and increases in the bio Rayleigh number. It is further shown that an increase in the Prandtl number enhances the Sherwood number and makes the motile microorganisms more uniform. The Peclet number directly influences the transport of heat, mass, and microorganisms. This study clearly demonstrates the abilities of combining numerical simulations with machine learning to significantly extend and enrich analysis of problems with large numbers of variables. The findings also pave the way for predicting behaviors of complex thermo-biosolutal systems without resorting to computationally demanding simulations.
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 | 0,001 |
| 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 ».