Optimizing journal bearing performance with bio‐lubricants using <scp>TOPSIS</scp> analysis
Notice bibliographique
Résumé
Abstract This study employs computational fluid dynamics (CFD) to investigate cavitation in a plain journal bearing, comparing mineral oil (ATF Dexron‐II) with bio‐lubricants (castor and palm oils). A steady, laminar flow, the Zwart–Gerber–Belamri model simulates cavitation using ANSYS 2023. Key metrics including pressure distribution, load‐carrying capacity, oil vapour volume fraction, and viscous power loss, are evaluated across varying eccentricity (0.4–0.6), length‐to‐diameter ratio (0.8–1.2), and speeds (1200–1800 RPM). Increasing these parameters results in an increase in all metrics, with varying effects depending on the lubricant and parameter. Eccentricity significantly impacts pressure and vaporization. Castor oil, with high viscosity and strong film formation, excels in load‐carrying capacity, ideal for high‐load applications. Palm oil, with lower viscosity and better oxidative stability, minimizes power loss, fitting low‐load scenarios. The TOPSIS model ranks castor oil highest in eight out of nine cases using equal weights. Sensitivity analysis shows castor oil leads for high load capacity or low vaporization, while palm oil excels for reduced power loss. These findings suggest that both bio‐lubricants are viable, eco‐friendly alternatives to mineral oil.
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 | 0,001 |
| 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 | 0,001 | 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) | 0,002 | 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 ».