MétaCan
Menu
Retour à la cohorte
Enregistrement W4388336176 · doi:10.1016/j.csite.2023.103725

On the stability of nanofluid ice slurry produced via impinging stream method under thermal and phase-change cycles

2023· article· en· W4388336176 sur OpenAlexafffund
Yuguo Gao, Jiaqi Luo, Fu Fang, Minghan Xu, Mohammaderfan Mohit, Tariq Shamim, Agus P. Sasmito

Notice bibliographique

RevueCase Studies in Thermal Engineering · 2023
Typearticle
Langueen
DomaineEngineering
ThématiquePhase Change Materials Research
Établissements canadiensMcGill University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésNanofluidMaterials scienceSlurrySupercoolingThermal conductivityViscosityPhase-change materialHeat transferThermodynamicsTemperature cyclingChemical engineeringThermalComposite materialNanoparticleNanotechnology

Résumé

récupéré en direct d'OpenAlex

Nanofluid ice slurry has shown promising potential due to superior heat transfer and lower supercooling degree. The stability of the nanofluid ice slurry is of paramount importance to ensure high performance for practical applications. This study evaluates the stability (flow and thermal properties) of nanofluid ice slurry produced via a dynamic, impinging-stream method and compares with its conventional counterpart, i.e., the static, non-impinging-steam approach. Thermal cycling (heating-cooling) with phase change (freezing-thawing) cycles were carried out to measure absorbance, thermal conductivity, and viscosity. The results showed that when using the method of producing nanofluid ice slurry by impinging flow, nanofluid ice slurry with concentrations of 0.1, 0.2, and 0.3 w.t.% decreased in absorbance by 17%, 21%, and 26%, in thermal conductivity by 0.5%, 1.4%, and 2.17%, and in viscosity by 3.6%, 5.3%, and 10.4%, respectively, after nine freezing and thawing cycles. Additionally, for instance, for a nanofluid with a concentration of 0.2 w.t%, after 9 phase change cycles, the decrease in absorbance of the nanofluid solution using dynamic cycling was 7.1, 3.7, and 1.6 times higher than that of static cycling with an IPF of 25%, 50%, and 75%, respectively (thermal conductivity 4.1, 2.4, and 1.4 times; viscosity 2.8, 1.8, and 1.3 times). Higher nanoparticle concentration reduces the stability of the nanofluid ice slurry; the degree of reduction is first increased and then stabilized after six cycles. It was found that the dynamic method had an impact on the stability of the nanofluid compared with the static approach. Furthermore, empirical correlations were developed to predict the thermophysical properties based on phase-change cycles for practical applications.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,002

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 technologies0,0000,000
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 Opus0,137
Tête enseignante GPT0,373
Écart entre enseignants0,236 · 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'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

Citations8
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCase Studies in Thermal EngineeringMême sujetPhase Change Materials ResearchTravaux en français237 207