Impact of Surfactant in Enhancing Electrostatic Stability and Dielectric Response of Mixed Oil-Based AlN Nanofluids Under Impulse Conditions
Notice bibliographique
Résumé
This study investigates the synergistic effects of Aluminium Nitride (AlN) nanoparticles and cetyltrimethylammonium bromide (CTAB) surfactant on the performance of mixed insulating oil composed of 20% rapeseed oil and 80% mineral oil. A Taguchi-based grey relational analysis is utilised to identify the optimal nanoparticle-surfactant concentration based on various parameters. The identified optimal nanofluid is further validated using the Derjaguin-Landau-Verwey-Overbeek (DLVO) theory to confirm the stable suspension phenomenon. The DLVO-based total interaction potential energy indicated a higher potential barrier at the optimized concentration of 50 mg/L AlN and 1 mg/L CTAB, supporting enhanced nanofluid stability. The degradation behaviour of nano fluid studied under standard impulse current (standard 8/20μs waveform) was studied. Simultaneously, optical emission spectroscopy (OES) was employed during impulse application to capture real-time spectral changes. The results demonstrate that the nanofluid exhibits enhanced suspension stability, reduced acidity and improved resistance to electrical degradation. The negative polarity impulses induce a more pronounced destabilizing effect compared to positive impulses, emphasizing the asymmetric impact of surge conditions on nanofluid performance. This work highlights the critical role of nanoparticle-surfactant interactions in advancing the reliability of transformer insulating 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| 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 | 0,001 | 0,001 |
| 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 ».