Impact of submerged substrate roughness on nanofluid swirling impinging jet arrays
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
Analyzing turbulent swirling jet impingement poses significant challenges, especially when incorporating nanofluids into the analysis, which further exacerbates the complexity. The limited body of research in this specific domain primarily focuses on turbulent swirling/non-swirling air or water jets, or laminar-impinging nanofluid jets. This study delves into investigating the thermos-hydrodynamic behavior of low-concentration non-aqueous nanofluid swirling jets impingement on submerged heated rough surfaces for high Reynolds number. Ethylene glycol-based aluminum oxide [CH 2 OH) 2 +Al 2 O 3 ] nanofluid is considered along with water for different controlling parameters including swirl intensity (0 ∼ 1), and surface roughness height (0 ∼ 1500 μ m ). The findings reveal that (CH 2 OH) 2 +Al 2 O 3 exhibits superior heat transfer performance compared to water, attributed to enhanced nanoparticle resolution in (CH 2 OH) 2 . A rough surface enhances heat transfer by disrupting the thermal boundary layers and increasing the interaction area between a hot solid surface and a cold fluid. However, excessive roughness can impede heat transfer. Swirling flow contributes to more uniform cooling by intensifying turbulence and inducing recirculation zones with stronger vortices, particularly noticeable on rough surfaces. Implementing a staggered array configuration improves cooling performance by minimizing interference between jets. Notably, heat transfer rates are higher at shorter impinging distances, and high swirl conditions generate increased turbulence and turbulence kinetic energy. A correlation is developed between various controlling parameters and the average Nusselt number. Finally, through Gaussian process regression (GPR), this study achieved a highly accurate predictive model for local Nusselt number estimation in swirling nanofluid jet cooling systems, reaching an optimal cross-validation root mean squared error (RMSE) of 0.04342 and a final test RMSE of 0.0596.
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