Impact of submerged substrate roughness on nanofluid swirling impinging jet arrays
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.
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 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».