مطالعه داده های آزمایشگاهی مربوط به تغییر گرانروی نفت خام بر پایه نانو سیالات حاوی اکسید های نانو ذرات به کمک شبکه های عصبی مصنوعی

در این مقاله عملکرد تعمیم شبکه های عصبی مصنوعی RBF بر داده های آزمایشگاهی بدست آمده بر تاثیر نانو ذرات Fe۲O۳، ZnO، TiO۲، WO۳و NiO در دما و کسرجرمی های مختلف بر گرانروی نفت خام مورد بررسی قرار گرفته است. مورفولوژی و پایداری نانوذرات با استفاده از آنالیز DLS و TEM بررسی شده، نتایج آنالیزها نشان داد که متوسط قطر نانوذرات از ۱۰ تا ۴۰ نانومتر برای اکسیدهای نانو ذرات مختلف تغییر می کند. روش جامعی جهت محاسبه مقدار بهینه گستردگی توابع گاوسین آیزوتروپیک همراه با الگوریتم ویژه ای برای آموزش شبکه های RBF ارائه شده است. نتایج این مطالعه مشخص می نماید که شبکه های عصبی RBF به دلیل دارا بودن مبانی علمی مستحکم و همچنین قابلیت فیلتر نمودن نویزها، از عملکرد مناسبی برخوردار است. با افزایش دما نسبت ویسکوزیته نانو سیال به سیال پایه کاهش می یابد. علاوه بر آن با افزایش درصد نانوذرات ویسکوزیته نسبی به طور چشمگیری افزایش می یابد. برای دماهای بالاتر از °C۵۰ ویسکوزیته نسبی کمتر از واحد به دست آمده که این نشان دهنده کاهش ویسکوزیته نانوسیال به سیال پایه می باشد.

کلیدواژه ها:

nanofluids ، viscosity ، oxide nanoparticles ، Artificial neural networks ، نانوسیالات ، گرانروی ، نانوذرات اکسیدی ، شبکه های عصبی مصنوعی