Prediction and Optimization of Thermal Conductivity and Viscosity of Stable Plasmonic TiN Nanofluid Using Response Surface Method For Solar Thermal Application
Notice bibliographique
Résumé
<title>Abstract</title> Nanofluids open a new dimension in solar thermal applications due to their enormous thermophysical properties. The preparation of stable, efficient, and low-cost nanofluids is an emerging area of research. According to NIMS (National Institute of Material Science) research, Titanium nitride (TiN) nanoparticles have localized surface plasmon resonance properties. It enables a superior photoabsorption feature. Titanium nitride (TiN) particles of 40–50 nm sizes were selected to prepare distilled water-based nanofluid at a 0-0.1% volume concentration range. The Thermal conductivity and viscosity of TiN nanofluids and base fluid are measured experimentally at temperatures 30℃ to 55℃. Determination of thermal conductivity and viscosity of nanofluid through experimentation is cumbersome. The present study deals with thermal conductivity and viscosity modeling of water-based stable plasmonic TiN nanofluid using the surface response method. ANOVA is used to determine the significance of input variables and their interaction. The performance of both predictive models was measured in terms of correlation coefficient (R<sup>2</sup>) and mean square error (MSE) to acknowledge the best fit. The surface response method optimizes process parameters using reliable and efficient model results for maximum heat transfer enhancement. The maximum thermal conductivity (0.8848 W/mK) and minimum viscosity (0.7822 cP) obtained at 55℃ and 0.0535% volume concentration.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».