پیش بینی خواص انتقالی (هدایت حرارتی و گرانروی) نانوسیالات با استفاده از روش شبکه عصبی مصنوعی

نوع مقاله: علمی-پژوهشی

نویسندگان

1 دانشکده شیمی دانشگاه اصفهان، اصفهان ایران

2 دانشجوی دکتری

3 فارغ التحصیل کارشناسی ارشد

چکیده

در این پژوهش، از شبکه‌های عصبی مصنوعی (ANN) پس‌انتشار پیش‌خور جهت پیش‌بینی روند تغییرات هدایت گرمایی نسبی و گرانروی نسبی محدوده‌ی وسیعی از نانوسیالات با سیالات پایه و نانوذرات متفاوت، استفاده شده‌است. در اولین مدل ANN، هدایت گرمایی نانوسیالات بر اساس هدایت گرمایی سیال پایه، هدایت گرمایی نانوذره، درصد کسرحجمی نانوذره، دما و اندازه‌ی متوسط نانوذره مدل‌سازی شده‌است. 483 داده‌ی تجربی جمع‌آوری و برای طراحی این شبکه مورد استفاده قرارگرفت و ساختار شبکه به‌صورت (5-18-1) کمترین خطا را در پیش‌بینی هدایت گرمایی نانوسیال نشان داد و نتایج AARD% برای داده‌های آموزش، ارزیابی و تست به ترتیب 6/2، 2/2 و3/2 به‌دست آمد. در شبکه‌ی عصبی مصنوعی دیگری که برای پیش‌بینی گرانروی نانوسیال طراحی شد، پارامترهای گرانروی سیال پایه، نسبت چگالی سیال پایه به نانوذره، درصد کسرحجمی نانوذره، دما و اندازه‌ی متوسط نانوذره به‌عنوان ورودی‌های شبکه استفاده شده‌است. تعداد 510 داده‌ی تجربی برای طراحی این شبکه مورد استفاده قرار گرفت و ساختار بهینه‌ی شبکه به‌صورت (5-19-1) به‌دست آمد. نتایج AARD% برای داده‌های آموزش، ارزیابی و تست به ترتیب 9/2، 2/3 و 1/3 به‌دست آمد. نتایج حاصل از این دو شبکه‌ی عصبی مصنوعی توانمند بودن آن‌ها را در پیش‌بینی خواص هدایت گرمایی و گرانروی نانوسیالات نشان می‌دهد. مقایسه‌ای بین پیش‌بینی‌ مدل‌های پیشنهادی و پیش‌بینی‌ مدل‌های مرسوم مانند، ماکسول، براگمن، انیشتین، کرینگر و... (در مورد هدایت گرمایی) و مدل‌های اینشتین، کریگر، نیلسن، باتچلر و برینکمن (در مورد گرانروی) نشان داد که مدل‌های پیشنهادی این تحقیق در توافق بیشتری با مقادیر تجربی هستند. این دو مدل همچنین ما را در پیش‌بینی هدایت گرمایی و گرانروی نسبی نانوسیالات جدید با مشخصه‌های گوناگون توانمند می‌سازند.

کلیدواژه‌ها

موضوعات