Enhanced analysis of MHD radiative hybrid nanofluid flow over a spinning disc with hall currents via advanced computational techniques
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 study examines the Hall current characteristics in hybrid nanofluid flow over a rotating disc, incorporating the effects of magnetic fields and nonlinear thermal radiation . The hybrid nanofluid is a novel blend of copper (Cu) and titanium dioxide (TiO 2 ) nanoparticles in water, with the flow behavior further enhanced by adding single-wall carbon nanotubes (SWCNT) and multi-wall carbon nanotubes (MWCNT) with CoFe 2 O 4 . The study uniquely addresses the impact of nanoparticle shapes on flow dynamics, crucial in the evolving field of nanotechnology, where carbon nanotubes (CNTs) find applications in energy storage, fracture toughness, and electromagnetic interactions. Advanced machine learning techniques, such as physics-informed neural networks and hybrid models, are employed to improve predictions, using synthetic data based on governing partial differential equations. Solutions are derived via the new iterative method (NIM) and the bvp 4 c function in Mathematica. The modified New Iterative Method (NIM) integrated with Physics-Informed Neural Networks (PINNs) to address challenges in modeling nonlinear hybrid nanofluid dynamics. This novel approach marks a significant advancement in predictive fluid dynamics. The findings reveal intricate interactions within the nanofluid flow, with graphical analyses illustrating the influence of varied parameters on component behavior and heat transmission. This integration of computational and machine learning methods enhances the understanding of complex flow dynamics, marking a significant advancement in fluid dynamics research.
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 | 0,001 | 0,001 |
| 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