Improved Heat Transfer Capabilities of Nanofluids—An Assessment Through CFD Analysis
Notice bibliographique
Résumé
Abstract Conventional fluids used in fission‐based water‐cooled nuclear reactors have lower heat transfer coefficients (HTCs) and thermal conductivity, which has led researchers to explore high‐performance fluids that can enhance heat transfer in routine operation and prevent core meltdown in the case of accidents. It is important to investigate a wide range of fluids that can help designers improve thermal hydraulic characteristics, such as HTC, critical heat flux, and minimum departure from nucleate boiling ratio (MDNBR). In this study, the effectiveness of nanofluids in enhancing heat transfer parameters, including thermal conductivity and heat capacity, was investigated. Four different nanofluids (Al2O3–H2O, ZrO2–H2O, Ag–H2O, and Si–H2O) with pure water as the primary coolant in an HPR‐1000 nuclear reactor were compared using computational methods. Due to computational limitations, only the flow channel among four fuel rods with the highest power density in the core was simulated using Eulerian computational fluid dynamics. The results of this study show that silver water (Ag–H2O) nanofluid outperformed other nanofluids and pure water. It had a higher average HTC and MDNBR, with a 67.15 % and 45.23 % improvement, respectively, compared to pure water. The fuel rod wall temperature was also reduced by 28.5 K with Ag–H2O compared to water. Comparison of current simulated results with literature data shows a good agreement.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».