Experimental Measurement and Machine Learning Modelling for the Density of Hybrid Nanofluids
Notice bibliographique
Résumé
Accurate prediction of nanofluid density is crucial for enhancing heat transfer efficiency in energy systems, such as solar thermal and geo-thermal systems.However, existing nanofluid models often fail to capture the interactions of hybrid nanoparticles in hybrid base fluid.This study experimentally investigates the density behavior of single, bi-hybrid, and ternary-hybrid nanofluids and applies machine learning models to improve predictive accuracy.The nanofluids composed of AlO, FeO, and MWCNT nanoparticles synthesized in deionized water (DIW), ethylene glycol (EG), and DIW-EG mixtures.Density measurements were conducted at temperature (10C < T < 50C) and nanoparticle volume fractions (0 vol% < < 6.0 vol%) using a simple glass pycnometer.Linear Regression was employed for density prediction, while Random Forest, Support Vector Machine (SVM), and Gradient Boosting were selected for classification due to their robustness to non-linear relationships and high interpretability.These models were assessed using accuracy and F1-score, with Gradient Boosting and Random Forest achieving the best performance (>94% accuracy).Results showed that single nanofluids (AlO-based) exhibited density variations influenced by temperature and volume fraction.Bi-hybrid nanofluids (AlO-MWCNT) had higher densities due to MWCNT reinforcement.Ternary-hybrid nanofluids (AlO-MWCNT-FeO) displayed the highest densities, particularly in EG-based mixtures, attributed to high density FeO nanoparticle and that of EG.Feature importance analysis confirmed volume fraction and base fluid composition as dominant factors influencing the density of the nanofluids.By integrating experimental data into machine learning algorithms, this study improves nanofluid density prediction, offering insights for optimizing thermal management in energy and industrial 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 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 | 0,000 | 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 ».