Investigating Soret–Dufour effects and discharge concentration on accelerating hybrid nanofluid flow over radiative disk embedded in porous media under convective conditions
Notice bibliographique
Résumé
This research investigates the interaction of nanoparticles ( Ag + MgO) dispersed in a fluid ( H 2 O) to formulate a hybrid nanofluid. The research primarily examines the influence of an external magnetic field, thermal radiation, velocity slip, porous media, viscous dissipation, mass suction, discharge concentration, and convective circumstances on an accelerating stretched disc. Research on momentum, energy, and concentration boundary layers in disc flows is continuing. This work seeks to examine the influence of the Soret and Dufour effects on heat and mass transport in a hybrid nanofluid, a topic not previously investigated in the literature. Subsequent investigations in this domain may expand upon these discoveries. The setup uses a framework that is based on classical dynamic equations governing fluid flow. Similarity transformations are used to originate a system of nonlinear ordinary differential equations. Moreover, the shooting method using the Runge–Kutta fourth-order algorithm and the BVPh2.0 package (homotopy analysis method) in Mathematica 13.0 illustrates its effectiveness in addressing the resultant issue. As shown visually, Lorentz forces have an impact on hybrid nanofluid flow, and an external magnetic field may alter it. An increasing Eckert number corresponds to a decreasing Nusselt number. A number of graphs illustrate the effects of various factors, including Soret, Dufour, radiation, Biot number, pollutant external source, porous media, Schmidt number, nanoparticle volume fraction, and mass suction on mass and heat transfer and flow profile. Sherwood, Nusselt, and skin friction coefficients are also quantified. The skin friction coefficient diminutions when the parameters β, δ, K, M, and S rise. Increased Bi, D f , and S parameters increase the Nusselt number, whereas increased β and ϕ 2 parameters decrease it. As Sc and Sr levels increase, the Sherwood number increases, whereas β, α, and Z factors decrease. When mass suction S increases from 1.0 to 2.5 without heat radiation, the Nusselt number increases by 4.52% and radiation increases Nusselt by 4.67%.
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 | 0,000 | 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 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 ».