MétaCan
Menu
Retour à la cohorte
Enregistrement W4319781558 · doi:10.11159/jffhmt.2023.001

Phase Change Materials for Better Thermal Performance of Central Processing Units (CPUs)

2023· article· en· W4319781558 sur OpenAlexvenueno aff
S. Aal Khlaifin, A. Al-Janabi, N. Al-Rawahi, N. Al-Azri

Notice bibliographique

RevueJournal of Fluid Flow Heat and Mass Transfer · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueHeat Transfer and Optimization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésComputer sciencePhase (matter)ThermalParallel computingChemistryThermodynamicsPhysics

Résumé

récupéré en direct d'OpenAlex

Nowadays, the small size of electronic components causes an increase in the heat flux that is dissipated at their surfaces, consequently, efficient cooling systems are required to improve reliability, prevent premature failure as well as keep components within permissible operating temperature limits.Most electronic devices use forced air-cooling which nowadays is somehow not adequate or even enough to keep the system cool.This study is aimed at investigating a passive cooling technique using the phase change material (PCM) type (RT35HC) to absorb the generated heat at the CPU of a personal computer and keep its surface temperature within an acceptable range.To do so, a set of 20 experiments were conducted where four different amounts of the PCM (20, 40, 60, and 80g) were subjected to five levels of dissipated heat (10, 20, 30, 40, and 50W).The results showed using RT35HC regardless of its amount enhanced the thermal performance of the CPU and provided a longer operating period while keeping the CPU surface temperate constant for low levels of dissipated heat (10-20W).On the other hand, increasing the PCM amount could help in providing a better thermal performance of the CPU that dissipated a higher amount of heat (30-50W) compared to thermal performance without using the PCM.The optimum amount of the PCM that can be used for passive cooling of the CPU was found to be 60g.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,245
Score d'incertitude au seuil0,415

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,027
Tête enseignante GPT0,239
Écart entre enseignants0,212 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Fluid Flow Heat and Mass TransferMême sujetHeat Transfer and OptimizationTravaux en français237 207