MétaCan
Menu
Retour à la cohorte
Enregistrement W4387779428 · doi:10.1007/s13369-023-08351-1

Application of Heat and Mass Transfer to Convective Flow of Casson Fluids in a Microchannel with Caputo–Fabrizio Derivative Approach

2023· article· en· W4387779428 sur OpenAlexaff
Shajar Abbas, Zaib Un Nisa, Mudassar Nazar, Muhammad Amjad, Haider Ali, Ahmed Zubair Jan

Notice bibliographique

RevueArabian Journal for Science and Engineering · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueNanofluid Flow and Heat Transfer
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésLaplace transformFractional calculusDimensionless quantityMass transferFlow (mathematics)MicrochannelMathematicsFluid dynamicsMaterial derivativeMechanicsThermodynamicsMathematical analysisPhysics

Résumé

récupéré en direct d'OpenAlex

Abstract It has been demonstrated that fractional derivatives exhibit a range of solutions that are helpful in the engineering, medical, and manufacturing sciences. Particularly in analytical research, investigations on using fractional derivatives in fluid flow are still in their infancy. Therefore, it is still being determined whether fractional derivatives may be represented geometrically in the mechanics of the flow of fluids. However, theoretical research will be helpful in supporting upcoming experimental research. Therefore, the aim of this study is to showcase an application of Caputo–Fabrizio toward the Casson fluid flowing in an unsteady boundary layer. Mass diffusion and heat radiation are taken into account while analyzing the PDEs that governed the problem. Dimensionless governing equations are formed from the fractional PDEs by utilizing the necessary dimensionless variables. Once the equations have been transformed into linear ODEs, the solution may then be found by applying the Laplace transform technique. Inverting Laplace transforms by Stehfest’s and Tzou’s Algorithm is then used to retrieve the original variables and the solutions as concentration, temperature, and velocity fields. Graphical illustrations sketched using the Mathcad program are used to show how physical parameters affect temperature, velocity, and concentration profiles. Findings show that the velocity, temperature, and concentration profiles have been improved by thermal radiation, mass diffusion, and fractional parameters. The fractional derivative is a more general derivative due to its nonlocal and flexible nature the flow model that is formulated by applying the fractional derivative is suitable to address the memory effect. The present fractionalized results of velocity, concentration, and temperature are more general and applicable to the wide range of orders of fractional derivatives.

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: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,007

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 technologies0,0010,001
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 Opus0,010
Tête enseignante GPT0,212
Écart entre enseignants0,202 · 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

Citations60
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueArabian Journal for Science and EngineeringMême sujetNanofluid Flow and Heat TransferTravaux en français237 207