MétaCan
Menu
Retour à la cohorte
Enregistrement W4320003088 · doi:10.18280/mmep.090632

MHD Nanoliquid Flow Along a Stretched Surface with Thermal Radiation and Chemical Reaction Effects

2022· article· en· W4320003088 sur OpenAlexvenueno aff
N. Nithya, B. Vennila

Notice bibliographique

RevueMathematical Modelling and Engineering Problems · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueNanofluid Flow and Heat Transfer
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésNanofluidThermal radiationMechanicsFlow (mathematics)ThermodynamicsMomentum (technical analysis)Heat transferRadiationMaterials scienceParasitic dragThermalMass transferMagnetohydrodynamicsPhysicsBoundary layerOpticsMagnetic field

Résumé

récupéré en direct d'OpenAlex

The consequences of viscous, ohmic, thermal radiation, and chemical reaction on an incompressible, steady, magnetized nanofluid moving through a stretched surface are investigated for choosing two distinct Nanoliquids (Cuo/water and Silver/water). Through the similarity transformations, the controlling dimensional equations of momentum, energy, and concentration were simplified to non-dimensional forms. The solution to the resulting problem is obtained by Bvp4c. The velocity, temperature and concentration are significantly shown for various emerging factors. On both kinds of nanofluids, thermal is grown consistently with an increasing Eckart number. It does, however, lessen as the radiation term values increase. Moreover, if the Schmidt number ranges on the concentration fluid flow indicate that the H(η) profile is going to fall. The tendency for H(η) to boost as the Soret number raises is becoming increasingly noticeable. Ag/water has a higher heat flow rate than Cuo/water when the amounts of Eckart and Radiation numbers are changed. Tables and plots displayed an engineering physical parameter such as coefficient of skin friction, rate of heat transmission and mass transfer.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

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 technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,007
Tête enseignante GPT0,162
Écart entre enseignants0,155 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMathematical Modelling and Engineering ProblemsMême sujetNanofluid Flow and Heat TransferTravaux en français237 207