Enhancing thermal conductivity of novel ternary nitrate salt mixtures for thermal energy storage (TES) fluid
Notice bibliographique
Résumé
Efficient thermal energy storage (TES) is crucial for concentrated solar power (CSP) plants, necessitating the exploration of advanced heat transfer fluids with enhanced thermal conductivity. Conventional binary nitrate salt mixtures have limitations in thermal performance, prompting research into ternary mixtures and nanoparticle additives. This study investigates novel ternary nitrate salt mixtures comprising potassium nitrate (KNO₃), lithium nitrate (LiNO₃), and magnesium nitrate hexahydrate (Mg(NO₃)₂·6 H₂O) as high-performance TES fluids during the during the heat absorption phase. Seven different salt compositions were synthesized and characterized using the laser flash technique to evaluate their thermal conductivity over 100–400°C. Results revealed a significant influence of composition on thermal conductivity, with maximum values during melting ranging from 0.0777 W/m·K to 0.7373 W/m·K. Melting points varied from 335 K to 340.39 K, demonstrating tailorability through compositional adjustments. Furthermore, incorporation of 0.5 wt% aluminum oxide (Al₂O₃) nanoparticles resulted in substantial thermal conductivity enhancements, with the most significant increase observed in TSF10 (from 0.0777 W/m·K to 0.491 W/m·K). These improvements are attributed to enhanced phonon transport, increased surface area, and Brownian motion facilitated by Al₂O₃ nanoparticles. The study provides a comprehensive cost analysis, including raw material costs, and discusses the potential efficiency gains for CSP applications. The findings contribute to the development of high-performance and cost-effective TES fluids, advancing the efficiency and viability of sustainable energy generation.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».