Optimization of viscosity of propylene glycol and water (50:50)/Graphene nanofluid: A response surface methodology and machine learning approach
Notice bibliographique
Résumé
: This study looked at how thick a nanofluid made from propylene glycol and nanoparticles flows, testing temperatures from 40 to 120°C and using nanoparticle amounts from 0% to 0.5%, by applying response surface methodology (RSM). The quadratic model provided the best exact fit, outperforming the linear and two-factor interaction models. It had a high coefficient of determination (R² = 0.9874), low standard deviation, and a statistically significant P-value (< 0.0001). At 120°C and 0.5 wt% nanoparticle concentration, the model projected an ideal situation with a kinematic viscosity of 0.284 m³/s. Several machine learning methods were used on the experimental data to enhance the RSM analysis. These algorithms were k-Nearest Neighbor (kNN), Random Forest, XGBoost, and Decision Trees. The models with the strongest association with experimental results were XGBoost, decision trees, and kNN, which produced the best prediction accuracies (R² values ranged from 0.90 to 0.97). These models well represented the complicated nonlinear relationships between the variables. There were no noticeable indications of sedimentation or agglomeration, and the nanofluid maintained steady flow behavior even when subjected to greater temperatures and more nanoparticle loadings. The results suggest that combining RSM and machine learning methods can create a solid approach for improving and predicting the thermal properties of nanofluids used in heat management.
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 | 0,001 | 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 ».