Ultrahigh evaporative heat transfer measured locally in submicron water films
Notice bibliographique
Résumé
Thin film evaporation is a widely-used thermal management solution for micro/nano-devices with high energy densities. Local measurements of the evaporation rate at a liquid-vapor interface, however, are limited. We present a continuous profile of the evaporation heat transfer coefficient ([Formula: see text]) in the submicron thin film region of a water meniscus obtained through local measurements interpreted by a machine learned surrogate of the physical system. Frequency domain thermoreflectance (FDTR), a non-contact laser-based method with micrometer lateral resolution, is used to induce and measure the meniscus evaporation. A neural network is then trained using finite element simulations to extract the [Formula: see text] profile from the FDTR data. For a substrate superheat of 20 K, the maximum [Formula: see text] is [Formula: see text] MW/[Formula: see text]-K at a film thickness of [Formula: see text] nm. This ultrahigh [Formula: see text] value is two orders of magnitude larger than the heat transfer coefficient for single-phase forced convection or evaporation from a bulk liquid. Under the assumption of constant wall temperature, our profiles of [Formula: see text] and meniscus thickness suggest that 62% of the heat transfer comes from the region lying 0.1-1 μm from the meniscus edge, whereas just 29% comes from the next 100 μm.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».