Acoustic Analysis of Photothermal Boiling in Nanofluids
Notice bibliographique
Résumé
Solar energy harvesting and utilization are critical components of the green energy transition, though the fundamental understanding of the solar boiling process in nanofluids is lacking. In this study, auditory acoustic-emission spectra from photothermal boiling in carbon black nanofluids up to 2 wt % were measured. Frequency peaks and boiling modalities were investigated to determine the effects of nanoparticle addition on bubble number and size distribution. Steam flow rates were maximally enhanced by 90% (at 0.5 wt %) compared to surface boiling in water due to improved heat and mass transfer and incident radiation. As concentration rose, flow rates decreased due to shielding and thermal losses. Moreover, acoustic spectra for photothermal boiling exhibited higher amplitudes and more high-frequency peaks, indicating more small bubbles and bubbles in total for the nanofluid. Using a coherence analysis, two new peaks were found for the highest flow rate concentrations: 17 (new bubbles) and 14.5 (new bubble coalescence) kHz. The behavior of these new peaks correlated with steam flow rates. Finally, experimental results were compared with existing boiling models for theory validation, with volumetric boiling theory matching closely. Bubble size predictions from theory overlapped with the new peaks, lending theoretical backing to the finding. Therefore, auditory acoustic spectra can be a reliable tool for investigating mechanistic changes in bubble formation in optically occluded systems.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».