Accurate and rapid measurement of fluid thermal conductivity
Notice bibliographique
Résumé
A rapid energy transition will require new heat transfer fluids, and a faster means of discovering and optimizing them. Existing methods, however, are constrained by speed, accuracy, and sample volume — with accurate measurements requiring large sample volumes and long equilibration times. Here, we present a measurement approach that bypasses precise temperature measurement and heat flux measurements. Thermal conductivity, k, is determined by comparing thermally driven voltage variations across an array of resistive heaters embedded in fluid cavities. This measurement, relative to the reference material, minimizes errors from ambient temperature fluctuation, unquantified heat losses, and measurement uncertainties, and it eliminates direct temperature sensing. We report a microfluidic device and measurement method that implements in-run on-chip auto-calibration with a reference material; we test the device on a wide range of substances, including liquids, gases, mixtures, and nanofluids. It delivers results in <10 s, using ~5 µL of sample, about two orders of magnitude faster than conventional steady-state methods — while maintaining accuracy competitive with gold-standard techniques (mean signed error 0.0030 ± 0.0059 W/(m · K) (1.4% ± 3.1%), median absolute error 0.0019 W/(m · K) (MAPE 2.6 %), and expanded uncertainty of k, U = 8.3% ± 0.24% (SD across 10 runs)). This approach makes thermal conductivity measurement accessible to accelerated materials discovery and optimization workflows. The discovery of efficient heat transfer fluids is limited by slow, manual-intensive measurement methods. Here, the authors design a microfluidic device that rapidly and accurately measures thermal conductivity using identical resistive heaters in symmetric microchannels, requiring only ~5 μL of sample in under 10 seconds.
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 | 0,001 | 0,001 |
| 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 ».