Investigation of the Entropy Generation and Exergy Destruction Rates for a Novel Micro-Jet Heat Sink Working With a Nanofluid for Efficient Cooling of Motor Inverters in Electric Vehicles
Notice bibliographique
Résumé
Abstract Unlike the first law analysis which quantifies energy in systems, the second law of thermodynamics specifies the quality of energy and the direction of the processes. In this research, a novel heat sink based on micro-jet impingement for cooling inverters in electric vehicles is thermodynamically analyzed to establish the entropy generation and exergy destruction rates. The numerical simulations are performed using the finite volume method implemented in ANSYS Fluent. Numerical analyses are performed for typical motor inverter heat fluxes ranging from 100 to 300 W/cm2, Reynolds number between 5,000 and 20,000. Alumina-water nanofluid was considered with nanoparticles at concentrations of 0, 0.008, and 0.017 by volume. Results indicate that the maximum reduction in the thermal entropy generation rate is 6.65% when the nanoparticle concentration rises to 0.017. Whereas the frictional entropy generation rate increases by 73% for the same increase in nanoparticle volume fraction. Despite this, the total irreversibility drops as the concentration rises such that the highest reduction in the total irreversibility is 6.1% since the thermal entropy generation rate is the dominant source of irreversibility. With this, utilizing nanofluids decreases the exergy destruction rate leading to a lower amount of wasted energy. When the concentration is increased from 0 to 0.008 and 0 to 0.017 at a heat flux of 100 W/cm2, the optimal Reynolds numbers for maximum reduction in exergy destruction are 10,000 and 5,000, respectively.
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 | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».