پیش بینی ویژگی های انتقالی (هدایت گرمایی و گرانروی) نانوسیال ها با استفاده از روش شبکه ی عصبی مصنوعی

نوع مقاله : علمی-پژوهشی

نویسندگان

گروه شیمی فیزیک ، دانشکده شیمی، دانشگاه اصفهان، اصفهان، ایران

چکیده

در این پژوهش، از شبکه­ه ای عصبی مصنوعی (ANN) پس ­انتشار پیش­خور برای پیش­بینی روند تغییرهای هدایت گرمایی نسبی و گرانروی نسبی بازه گسترد ه­ای از نانوسیال­ ها با سیال­ های پایه و نانوذره­ های متفاوت، استفاده شده ­است. در اولین مدل ANN، هدایت گرمایی نانوسیال­ ها بر اساس هدایت گرمایی سیال پایه، هدایت گرمایی نانوذره، درصد کسرحجمی نانوذره، دما و اندازه­ی متوسط نانوذره مدل ­سازی شده ­است. 483 داده­ ی تجربی جمع­ آوری و برای طراحی این شبکه مورداستفاده قرارگرفت و ساختار شبکه به­ صورت (5-18-1) کم ­ترین خطا را در پیش ­بینی هدایت گرمایی نانوسیال نشان داد و نتیجه­ های AARD% برای داده­ های آموزش، ارزیابی و تست به ترتیب 6/2، 2/2 و3/2 به ­دست آمد. در شبکه­ ی عصبی مصنوعی دیگری که برای پیش­ بینی گرانروی نانوسیال طراحی شد، پارامترهای گرانروی سیال پایه، نسبت چگالی سیال پایه به نانوذره، درصد کسرحجمی نانوذره، دما و اندازه­ ی متوسط نانوذره به­ عنوان ورودی­ های شبکه استفاده شد. تعداد 510 داده­ی تجربی برای طراحی این شبکه مورد استفاده قرار گرفت و ساختار بهینه­ی شبکه به­صورت (5-19-1) به­ دست آمد. نتیجه ­های AARD% برای داده ­های آموزش، ارزیابی و آزمون به ترتیب 9/2، 2/3 و 1/3 به­ دست آمد. نتیجه­ های به دست آمده از این دو شبکه­ ی عصبی مصنوعی توانمند بودن آن­ها را در پیش ­بینی ویژگی­ های هدایت گرمایی و گرانروی نانوسیال­ ها نشان می ­دهد. مقایس ه­ای بین پیش­ بینی­ مدل­ های پیشنهادی و پیش ­بینی­ مدل­ های مرسوم مانند، ماکسول، براگمن، انیشتین، کرینگر و... (در مورد هدایت گرمایی) و مدل­ های اینشتین، کریگر، نیلسن، باتچلر و برینکمن (در مورد گرانروی) نشان داد که مدل­ های پیشنهادی این پژوهش در توافق بیش­ تری با مقدارهای تجربی هستند. این دو مدل همچنین ما را در پیش ­بینی هدایت گرمایی و گرانروی نسبی نانوسیال­ های تازه با مشخصه­ های گوناگون توانمند می­ سازند.   

کلیدواژه‌ها

موضوعات

مراجع

[1] Ghadimi A., Saidur R., Metselaar, H. A Review of Nanofluid Stability Properties and Characterization in Stationary Conditions, Int. J. Heat Mass Transfer 54: 4051-4068 (2011).      
[2] Paul, G.; Philip, J.; Raj B., Das P.K., Manna I., Synthesis, Characterization, and Thermal Property Measurement of Nano-Al 95 Zn 05 Dispersed Nanofluid Prepared by a Two-Step Process, Int. J. Heat Mass Transfer 54: 3783-3788 (2011).      
[3] Suresh, S.; Venkitaraj, K.; Selvakumar, P.; Chandrasekar, M. Synthesis of Al2O3–Cu/water Hybrid Nanofluids Using Two Step Method and Its Thermo Physical Properties, Colloid. Surface. A. 388: 41-48 (2011).      
[4] Ding, Y.; Wen, D. Particle Migration in a Flow of Nanoparticle Suspensions, Powder Technol. 149: 84-92 (2005).      
[5] Koo J., Kleinstreuer C., Impact Analysis of Nanoparticle Motion Mechanisms on the Thermal Conductivity of Nanofluids, Int. Commun. Heat Mass Transfer 32: 1111-1118 (2005).      
[6] Wen D., Ding Y., Effect of Particle Migration on Heat Transfer in Suspensions of Nanoparticles Flowing Through Minichannels, Microfluidics Nanofluidics 1: 183-189 (2005).      
[7] Lee D., Kim J.-W., Kim B.G., A new Parameter to Control Heat Transport in Nanofluids: Surface Charge State of the Particle in Suspension, J. Phys. Chem. B 110: 4323-4328 (2006).      
[8] Vadasz P., Heat Conduction in Nanofluid Suspensions, J. Heat Transfer 128: 465-477 (2006).     
[9] Wang B.-X., Zhou L.-P., Peng X.-F., A fractal Model for Predicting the Effective Thermal Conductivity of Liquid With Suspension of Nanoparticles, Int. J. Heat Mass Transfer 46: 2665-2672 (2003).      
[10] Mansour R.B., Galanis N., Nguyen C.T., Effect of Uncertainties in Physical Properties on Forced Convection Heat Transfer With Nanofluids, Appl. Therm. Eng. 27: 240-249 (2007).      
[11] کریمی زاد گوهری، فاطمه ؛ شاهسوند، اکبر ، بررسی عملکرد شبکه عصبی مصنوعی MLP، RBF و ORN در یک کانال افقی همراه با انتقال جرم و انتقال حرارت همزمان، نشریه شیمی و مهندسی شیمی ایران، (2) 35: 151 تا 168 (1395).
[12] ذوقی، محمدجواد؛ گنجی دوست، حسین ؛ مختارانی، نادر؛ آیتی، بیتا، بهینه سازی فرایند تثبیت و جامدسازی سیمانی لجن صنایع آبکاری توسط شبکه عصبی مصنوعی و روش سطح پاسخ، نشریه شیمی و مهندسی شیمی ایران، (2) 34: 97 تا 109 (1394).
[13] ترجمان نژاد، علی؛ یاسم، مهناز، پیش‌بینی حلالیت اکسیژن در حلال های آلی با استفاده از شبکه عصبی مصنوعی، نشریه شیمی و مهندسی شیمی ایران، (1) 33: 49 تا 55 (1393).
[14] حسن آبادی، مرتضی؛ مطهری، سید مهدیا؛ ندری پری، مهدی، طراحی شبکه عصبی برای بهینه سازی اندازه سطح مقطع شیرهای درون چاهی با اندازه‌ی ثابت درچاه هوشمند با الگوریتم پرندگان، نشریه شیمی و مهندسی شیمی ایران، (2) 31: 55 تا 69 (1391).
[15] Yousefi F., Mohammadiyan S., Karimi H., Application of Artificial Neural Network and PCA to Predict the Thermal Conductivities of Nanofluids. Heat Mass Transfer, 52: 2141-2154 (2016).
[16] Yousefi F., Karimi H., Mohammadiyan S., Viscosity of Carbon Nanotube Suspension Using Artificial Neural Networks with Principal Component Analysis. Heat Mass Transfer, 52: 2345-2355 (2016).
[17] Yousefi F., Amoozandeh Z., Statistical Mechanics and Artificial Intelligence to Model the Thermodynamic Properties of Pure and Mixture of Ionic Liquids. Chin. J. Chem. Eng. 24: 1761-1771 (2016).
[18] Zolfaghari H., Yousefi F., Thermodynamic Properties of Lubricant/refrigerant Mixtures Using Statistical Mechanics and Artificial Intelligence. Int. J. Refrig. 80: 130–144 (2017).    
[19] Papari M.M., Yousefi F., Moghadasi J., Karim H., Campo A., Modeling Thermal Conductivity Augmentation of Nanofluids Using Diffusion Neural Networks, Int. J. Therm. Sci., 50: 44-52 (2011).    
[20] Hojjat M., Etemad S.G., Bagheri R., Thibault J., Thermal Conductivity of Non-Newtonian Nanofluids: Experimental Data and Modeling Using Neural Network, Int. J. Heat Mass Transfer, 54: 1017-1023 (2011).   
[21] Yousefi F., Karimi H., Papari M.M., Modeling Viscosity of Nanofluids Using Diffusional Neural Networks, J. Mol. Liq. 175: 85-90 (2012).    
[22] Kurt H., Kayfeci M., Prediction of Thermal Conductivity of Ethylene Glycol–Water Solutions by Using Artificial Neural Networks, Appl. Energy, 86: 2244-2248 (2009).     
[23] Longo G.A., Zilio C., Ceseracciu E., Reggiani, M. Application of Artificial Neural Network (ANN) for the Prediction of Thermal Conductivity of Oxide–Water Nanofluids, Nano Energy,
1: 290-296 (2012).     
[24] Zhao N., Wen X., Yang J., Li S., Wang Z., Modeling and Prediction of Viscosity of Water-Based Nanofluids by Radial Basis Function Neural Networks, Powder Technol., 281: 173-183 (2015).    
[25] Esfe M.H., Designing an Artificial Neural Network Using Radial Basis Function (RBF-ANN) to Model Thermal Conductivity of Ethylene Glycol–Water-Based TiO2 Nanofluids, J. Therm. Anal. Calorim., 127: 2125-2131 (2017).     
[26] Safamirzaei M., Modarress H., Correlation and Pridicting of Low Pressule Solubility of Gases in [bmim][PF6] by Neural Network Molecular Modeling, Thermochimica  Acta, 545: 125-130 (2012).
[27] Lee S., Choi S.S., Li S., Eastman J., Measuring Thermal Conductivity of Fluids Containing Oxide Nanoparticles, J. Heat Transfer, 121: 280-289 (1999).     
[28] Xuan Y., Li Q., Heat Transfer Enhancement of Nanofluids, Int. J. Heat Fluid Flow, 21: 58-64 (2000).     
[29] Lee D., Kim J.W., Kim B.G., A New Parameter to Control Heat Transport in Nanofluids: Surface Charge State of the Particle in Suspension, J. Phys. Chem. B 110: 4323-4328 (2006).    
[30] Kang H.U., Kim S.H., Oh J.M., Estimation of Thermal Conductivity of Nanofluid Using Experimental Effective Particle Volume, Exp. Heat Transfer 19: 181-191 (2006).    
[31] Wang X., Xu X., Choi S.U., Thermal Conductivity of Nanoparticle-Fluid Mixture, J. Thermophys. Heat Transfer 13: 474-480 (1999).    
[32] Das S.K., Putra N., Thiesen P., Roetzel W., Temperature Dependence of Thermal Conductivity Enhancement for Nanofluids, J. Heat Transfer, 125: 567-574 (2003).   
[33] Xie H., Wang J., Xi T., Liu Y., Ai F., Wu Q., Thermal Conductivity Enhancement of Suspensions Containing Nanosized Alumina Particles, J. Appl. Phys., 91: 4568-4572 (2002).   
[34] Wen D., Ding Y., Experimental Investigation Into Convective Heat Transfer of Nanofluids at the Entrance Region Under Laminar Flow Conditions, Int. J. Heat Mass Transfer 47: 5181-5188 (2004).    
[35] Chon C.H., Kihm K.D., Lee S.P., Choi S.U., Empirical Correlation Finding the Role of Temperature and Particle Size for Nanofluid (Al2O3) Thermal Conductivity Enhancement, Appl. Phys. Lett., 87: 3107 (2005).    
[36] Murshed S., Leong K., Yang C., Enhanced Thermal Conductivity of TiO2—Water Based Nanofluids, Int. J. Therm. Scie., 44: 367-373 (2005).    
[37] Liu M.S., Lin M.C.C., Tsai C., Wang C.C., Enhancement of Thermal Conductivity with Cu for Nanofluids Using Chemical Reduction Method, Int. J. Heat Mass Transfer, 49: 3028-3033 (2006).    
[38] Li C.H., Peterson G., The Effect of Particle Size on the Effective Thermal Conductivity of Al2O3-Water Nanofluids, J. Appl. Phys., 101: 44312 (2007).    
[39] Yoo D.H., Hong K., Yang H.S., Study of Thermal Conductivity of Nanofluids for the Application of Heat Transfer Fluids, Thermochim. Acta, 455: 66-69 (2007).    
[40] Lu W.Q., Fan Q.M., Study for the Particle's Scale Effect on Some Thermophysical Properties of Nanofluids by a Simplified Molecular Dynamics Method, Eng. Anal. Bound. Elem., 32: 282-289 (2008). 
[41] Murshed S., Leong K., Yang C., Investigations of Thermal Conductivity and Viscosity of Nanofluids, Int.l J. Therm. Scie., 47: 560-568 (2008).
[42] Anoop K., Sundararajan T., Das S.K., Effect of Particle Size on the Convective Heat Transfer in Nanofluid in the Developing Region, Int. J. Heat Mass Transfer, 52: 2189-2195 (2009). 
[43] Duangthongsuk W., Wongwises S., Measurement of Temperature-Dependent Thermal Conductivity and Viscosity of TiO2-Water Nanofluids, Exp. Therm Fluid Sci., 33: 706-714 (2009).
[44] Turgut A., Tavman I., Chirtoc M., Schuchmann H., Sauter C., Tavman S., Thermal Conductivity and Viscosity Measurements of Water-Based TiO2 Nanofluids, Int. J. Thermophys., 30: 1213-1226 (2009).  
[45] Chandrasekar M., Suresh S., Bose A.C., Experimental Investigations and Theoretical Determination of Thermal Conductivity and Viscosity of Al2O3/Water Nanofluid, Exp. Therm Fluid Sci., 34: 210-216 (2010). 
[46] Duangthongsuk W., Wongwises S., An Experimental Study on the Heat Transfer Performance and Pressure Drop of TiO2-Water Nanofluids Flowing Under a Turbulent Flow Regime, Int. J. Heat Mass Transfer, 53: 334-344 (2010).
[47] Lee S.W., Park S.D., Kang S., Bang I.C., Kim J.H., Investigation of Viscosity and Thermal Conductivity of SiC Nanofluids for Heat Transfer Applications, Int. J. Heat Mass Transfer, 54: 433-438 (2011).
[48] Pastoriza-Gallego M.J., Lugo L., Legido J.L., Piñeiro M.M., Thermal Conductivity and Viscosity Measurements of Ethylene Glycol-Based Al2O3 Nanofluids, Nanoscale Res. Lett., 6: 1-11 (2011).
[49] Wen D., Ding Y., Formulation of Nanofluids for Natural Convective Heat Transfer Applications, Int. J. Heat Fluid Flow, 26: 855-864 (2005).   
[50] Eastman J.A., Choi S., Li S., Yu W., Thompson L., Anomalously Increased Effective Thermal Conductivities of Ethylene Glycol-Based Nanofluids Containing Copper Nanoparticles, Appl. Phys. Lett. 78: 718-720 (2001).  
[51] Hong T.K., Yang H.S., Choi C., Study of the Enhanced Thermal Conductivity of Fe Nanofluids, J. Appl. Phys., 97: 064311 (2005).  
[52] Chen H., Ding Y., He Y., Tan C., Rheological Behaviour of Ethylene Glycol Based Titania Nanofluids, Chem. Phys. Lett., 444: 333-337 (2007).  
[53] Chen H., Ding Y., Lapkin A., Fan X., Rheological Behaviour of Ethylene Glycol-Titanate Nanotube Nanofluids, J. Nanopart. Res., 11: 1513-1520 (2009).  
[54] Gharagheizi F., QSPR Analysis for Intrinsic Viscosity of Polymer Solutions by Means of GA-MLR and RBFNN, Comput. Mater. Sci., 40: 159-167 (2007).  
[55] Giuliani G., Kumar S., Zazzini P., Polonara F., Vapor Pressure and Gas Phase PVT Data and Correlation for 1, 1, 1-Trifluoroethane (R143a), J. Chem. Eng. Data 40: 903-908 (1995). 
[56] Li J., Tillner-Roth R., Sato H., Watanabe K., An Equation of State for 1, 1, 1-Trifluoroethane (R-143a), Int. J. Thermophys. 20: 1639-1651 (1999).
[57] Amato F., González-Hernández J.L., Havel J., Artificial Neural Networks Combined with Experimental Design: A “Soft” Approach for Chemical Kinetics, Talanta, 93: 72-78 (2012). 
[58] Vasileva-Stojanovska T., Vasileva M., Malinovski T., Trajkovik V., An ANFIS Model of Quality of Experience Prediction in Education, Appl. Soft Comput. 34: 129-138 (2015).
[59] Prasher R., Song D., Wang J., Phelan P., Measurements of Nanofluid Viscosity and Its Implications for Thermal Applications, Appl. Phys. Lett. 89: 133108 (2006). 
[60] Namburu P.K., Kulkarni D.P., Misra D., Das D.K., Viscosity of Copper Oxide Nanoparticles Dispersed in Ethylene Glycol and Water Mixture, Exp. Therm Fluid Sci., 32: 397-402 (2007).
[61] Nguyen C., Desgranges F., Roy G., Galanis N., Maré T., Boucher S., Mintsa H.A., Temperature and Particle-Size Dependent Viscosity Data for Water-Based Nanofluids–Hysteresis Phenomenon, Int. J. Heat Fluid Flow 28: 1492-1506 (2007).
[62] Tavman I., Turgut A., Chirtoc M., Schuchmann H., Tavman S., Experimental Investigation of Viscosity and Thermal Conductivity of Suspensions Containing Nanosized Ceramic Particles, Arch. Mater. Sci. 34: 99-104 (2008).  

فایل ها

هم رسانی

ارجاع به این مقاله

آمار