MétaCan
Menu
Retour à la cohorte
Enregistrement W4410431052 · doi:10.1016/j.est.2025.117045

Thermal properties and performance of glycerol-water-NaCl phase change material for cold chain applications

2025· article· en· W4410431052 sur OpenAlexfundno aff
Zakaria Ouaouja, Michel Havet, Olivier Rouaud, Cyril Toublanc, A. Ousegui

Notice bibliographique

RevueJournal of Energy Storage · 2025
Typearticle
Langueen
DomaineEngineering
ThématiquePhase Change Materials Research
Établissements canadiensnon disponible
Organismes subventionnairesCampus FranceProvidence Health Care
Mots-clésPhase-change materialPhase changeCold chainGlycerolPhase (matter)ThermalChain (unit)Materials scienceChemical engineeringThermodynamicsChemistryEngineeringPhysicsFood scienceOrganic chemistry

Résumé

récupéré en direct d'OpenAlex

This study investigates the thermal properties of glycerol-water mixtures and their potential as P hase C hange M aterials ( PCM s) for C old T hermal E nergy S torage ( CTES ) in cold chain applications. The study characterizes key thermal properties, including P hase C hange T emperature ( PCT ), latent heat, density, thermal conductivity, and specific heat. Results indicated that increasing glycerol concentration decreased the PCT of the mixture, reaching −7.76 °C to −21.82 °C, at glycerol concentrations ranging between 25 wt% to 45 wt%, respectively. However, this decrease in PCT is accompanied by a reduction in latent heat, 147.5 kJ·kg −1 to 73.6 kJ·kg −1 for the respective concentrations. To enhance the PCM properties and achieve optimal thermal performance, NaCl was added as an additive to the glycerol-water mixture. The R esponse S urface M ethodology ( RSM ) was employed to optimize the concentrations of PCM components, aiming to achieve a desired PCT of −20 °C and maximize latent heat capacity. The developed model demonstrated high predictability, with an R 2 of 99.20 %, and good statistical significance, as indicated by an overall model F-value of 98.68 and a P-value of 0.0003. Based on this optimization, three mixtures were selected for further characterization, exhibiting suitable PCT values of around −20 °C to −18 °C and latent heat capacities ranging from 97 kJ·kg −1 ( PCM-M1 ) to 280 kJ·kg −1 ( PCM-M3 ). A one-dimensional model was developed to assess the impact of optimized PCM-M3 on the temperature stability of frozen food products. Incorporating the PCM layers significantly improved the thermal control of the perishable product. During standard freezer operation, the product temperature was maintained at −20 °C ± 0.065 °C compared to the reference case (without PCM) at −20 ± 0.81 °C. During defrost cycles, and using PCM-M3 , the maximum product temperature reached −19.42 °C, compared to −16.98 °C without PCM.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,308

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,044
Tête enseignante GPT0,270
Écart entre enseignants0,226 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Energy StorageMême sujetPhase Change Materials ResearchTravaux en français237 207