Investigation of flow and thermal performance of water-based nanofluid in gravity heat pipe
Notice bibliographique
Résumé
• Performance of gravity heat pipe using various aqueous nanofluids is compared. • GO nanofluid reduces thermal resistance by 5.2 % and enhance startup speed. • Optimum heating power maximizes convective heat transfer coefficient. • Suitable nanofluid enable stable heat-flow fields, especially for higher power. This study presents a numerical investigation into the flow and thermal performance of gravity heat pipes, employing the Volume of Fluid (VOF) multiphase flow model in conjunction with a User-Defined Function (UDF) to simulate evaporation and condensation processes. The results demonstrate that the graphene oxide nanofluid heat pipe achieves a 33 % faster startup, forming a stable condensate film in 2 s compared to 3 s for pure water, and exhibits superior thermal performance. When the heating power increases from 10 W to 40 W, the total thermal resistance decreases by approximately 42 % for the pure water heat pipe, but only by 5.2 % for the graphene oxide (GO) nanofluid pipe, indicating its more stable performance across a power range. At 40 W, the GO nanofluid (0.2 wt%) enhances the equivalent convective heat transfer coefficient by 5 % and reduces the total thermal resistance by up to 5.2 % compared to pure water. Most notably, at the optimal power of 50 W, the GO nanofluid achieves a maximum reduction in thermal resistance of 7.8 % and an enhancement in the convective heat transfer coefficient of 4.5 %, while maintaining a more stable flow field, thereby extending the operational limit beyond 50 W.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 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 ».