Simulation of transport phenomena in nanoparticle enhanced phase change materials for better performance
Notice bibliographique
Résumé
• This article uses multiphase flow based CFD simulation to model Nanoparticles enhanced phase change materials. • The model is developed using OpenFoam for the purpose of studying the cyclic performance of NPCM based TES systems. • The nanoparticles volume fraction and the size of nanoparticles is studied parametrically. • The study suggest that the percentage enhancement of nanoparticles diminishes greatly after the first charging / discharging cycle. This study presents a computational fluid dynamics (CFD) simulation to evaluate sedimentation effects on thermal energy storage (TES) performance in nanoparticle-enhanced phase change materials (NPCMs). Utilizing a Volume of Fluid (VoF) multiphase flow model, the simulation examines the dynamic distribution, transport, and sedimentation of nanoparticles within the phase-changing thermal storage medium over consecutive charging and discharging cycles. This multiphase approach is essential for accurately capturing sedimentation effects, as single-phase models cannot simulate the distinct behaviors of nanoparticles and PCM during phase transitions. The study considers sedimentation, thermophoretic diffusion, and Brownian motion in the transport of nanoparticles. Results reveal that initial thermal conductivity enhancements from 5% and 10% NPCM concentrations reduce charging times by 17% and 22%, respectively, in the first cycle. However, nanoparticle sedimentation, primarily due to density differences, leads to performance declines in subsequent cycles. By the third cycle, the charging time increases to match that of pure PCM, with over 60% of larger nanoparticles sedimented at the bottom. These findings underscore the limited long-term benefits of nanoparticles in TES systems under these conditions, emphasizing the need for multiphase flow simulations to accurately assess cyclic performance.
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 ».