MétaCan
Menu
Retour à la cohorte
Enregistrement W4383427079 · doi:10.1615/heattransres.2023048590

NUMERICAL INVESTIGATION OF HEAT TRANSFER AND TURBULENT FLUID FLOW FOR TRANSVERSE VORTEX GENERATORS WITH NANOPARTICLES

2023· article· en· W4383427079 sur OpenAlexaff
Sara Barati, Amin Etminan, Kevin Pope

Notice bibliographique

RevueHeat Transfer Research · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueNanofluid Flow and Heat Transfer
Établissements canadiensMemorial University of Newfoundland
Organismes subventionnairesnon disponible
Mots-clésVortex generatorNusselt numberPressure dropReynolds numberMaterials scienceMechanicsMultiphysicsHeat transferHeat transfer enhancementTurbulenceNanofluidHeat exchangerThermodynamicsVortexPhysicsFinite element method

Résumé

récupéré en direct d'OpenAlex

This paper proposes a simple design and easy-to-install vortex generator (VG) for heat exchangers to enhance heat transfer rates. The aim is to maintain low pressure drops and high heat transfer rates. The effects of the VG's geometrical parameters on thermal performance and pressure drop are investigated in this paper for divergent and convergent schemes using commercial software Comsol Multiphysics version 6. The effects of Reynolds number, VG angle, and the quantity of VGs on the response (i.e., Nusselt number and pressure drop) are investigated based on variance analysis. The nanoparticle concentration varies from 1 to 6%. The results indicate that the quantity of VGs is the most significant factor affecting pressure drop. The critical factor for heat transfer enhancement of divergent and convergent VGs are the Reynolds number and the quantity of VGs, respectively. Finally, the optimal conditions are predicted by the response surface methodology (RSM). The optimal requirements for using VG type A are β = 0°, the quantity is two, and the Reynolds number should be 9160. Furthermore, the optimal conditions for VG type B are β = 0°, Reynolds number is 10,000, and the number of VGs is two. The VG proposed in this study has a simple structure that can be efficiently designed and installed on heat exchangers. It is more efficient and applicable than the designs suggested in the literature.

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)0,001
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: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
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 savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
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 Opus0,052
Tête enseignante GPT0,281
Écart entre enseignants0,230 · 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
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

Citations6
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHeat Transfer ResearchMême sujetNanofluid Flow and Heat TransferTravaux en français237 207