Machine learning-based prediction of heat transfer performance in annular fins with functionally graded materials
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper presents a study investigating the performance of functionally graded material (FGM) annular fins in heat transfer applications. An annular fin is a circular or annular structure used to improve heat transfer in various systems such as heat exchangers, electronic cooling systems, and power generation equipment. The main objective of this study is to analyze the efficiency of the ring fin in terms of heat transfer and temperature distribution. The fin surfaces are exposed to convection and radiation to dissipate heat. A supervised machine learning method was used to study the heat transfer characteristics and temperature distribution in the annular fin. In particular, a feedback architecture with the BFGS Quasi-Newton training algorithm (trainbfg) was used to analyze the solutions of the mathematical model governing the problem. This approach allows an in-depth study of the performance of fins, taking into account various physical parameters that affect its performance. To ensure the accuracy of the obtained solutions, a comparative analysis was performed using guided machine learning. The results were compared with those obtained by conventional methods such as the homotopy perturbation method, the finite difference method, and the Runge-Kutta method. In addition, a thorough statistical analysis was performed to confirm the reliability of the solutions. The results of this study provide valuable information on the behavior and performance of annular fins made from functionally graded materials. These findings contribute to the design and optimization of heat transfer systems, enabling better heat management and efficient use of available space.
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.
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 découle