Dean flow velocity of shear-thickening SiO2 nanofluids in curved microchannels
Notice bibliographique
Résumé
We report the effects of a curvilinear microchannel width, height, and radius of curvature, as well as the kinematic viscosity and axial velocity of shear-thickening nanofluids, on the average Dean velocity (VDe) of the secondary flow in the microchannel. Manipulation of inertial and Dean drag forces in curvilinear microchannels has enabled high-throughput and high-resolution size-based separation of microparticles and cells in various biomedical applications. VDe plays a deterministic role in the estimation of the Dean drag force and the design of these microfluidic devices. Despite the previous numerical and experimental studies on VDe of Newtonian and shear-thinning viscoelastic fluids, VDe of shear-thickening metallic nanofluids, such as SiO2 nanoparticles in water, in curved microchannels is still unknown. Such shear-thickening fluids are being used in thermal microsystem applications and are on the verge of entering the field of inertial microfluidics for particle and cell sorting. Our investigations have shown that VDe of shear-thickening SiO2–water nanofluids scales directly with the channel width and the fluid axial velocity, while being inversely proportional with the SiO2 concentration and the channel radius of curvature. Our non-dimensional analysis has led to the development of an empirical correlation that relates VDe-based Reynolds number of the nanofluid to the Dean number and the normalized kinematic viscosity of the nanofluid. It provides a significant accuracy in estimating VDe of shear-thickening fluids, compared to application of Newtonian or shear-thinning equations in the literature, which could be useful toward future design of particle and cell sorting and washing microdevices.
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 ».