MétaCan
Menu
Retour à la cohorte
Enregistrement W4281264046 · doi:10.1177/09544062221081395

Thermal analysis of unsteady hybrid nanofluid magneto-hemodynamics flow via overlapped curved stenosed channel

2022· article· en· W4281264046 sur OpenAlexaff
Akbar Zaman, Ambreen Afsar Khan, Fazle Mabood, A. Abbasi, Irfan Anjum Badruddin

Notice bibliographique

RevueProceedings of the Institution of Mechanical Engineers Part C Journal of Mechanical Engineering Science · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueNanofluid Flow and Heat Transfer
Établissements canadiensFanshawe College
Organismes subventionnairesDeanship of Scientific Research, King Khalid University
Mots-clésMechanicsNanofluidVector fieldFlow (mathematics)Finite difference methodPartial differential equationDimensionless quantityPhysicsMaterials scienceMathematicsHeat transferMathematical analysis

Résumé

récupéré en direct d'OpenAlex

In this paper, we present a detailed mathematical model of the unsteady hybrid blood through the curved overlapping stenosed vessels in the presence of the applied external magnetic field. The governing differential equations of this model are derived from the generic laws of conservation of momentum and energy. These derived differential equations are then rendered dimensionless by incorporating the normalization parameters, which are subsequently followed by the implementation of mild stenotic supposition. The parabolic equations are solved numerically by using the explicit finite difference technique. After that, these numerical calculations are used to simulate several flow characteristics such as velocity, impedance, and wall shear stress using the set of emerging parameters taken from literature. The influence of these emerging parameters on the flow characteristics reveals that the velocity of the hybrid blood flow stream decelerates due to the presence of an induced magnetic field having the inclusion of nanoparticles. Finally, the global behavior of hybrid blood flow within the curved stenosed channels is sketched and analyzed by using various streamline plots.

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)0,002
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: Empirique
Score de désaccord entre enseignants0,179
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,003
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0020,000
Intégrité de la recherche0,0000,001
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 Opus0,008
Tête enseignante GPT0,195
Écart entre enseignants0,187 · 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

Citations5
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the Institution of Mechanical Engineers Part C Journal of Mechanical Engineering ScienceMême sujetNanofluid Flow and Heat TransferTravaux en français237 207