تخمین خواص ترموفیزیکی نانو سیالات مغناطیسی مبتنی بر کربن با استفاده از مدل یادگیری عمیق LSTM

تخمین خواص ترموفیزیکی نانو سیالات مغناطیسی برای طراحی و بهینه سازی سیستم های نانومکانیکی و نانوالکترونیکی استفاده می شوند. یکی از روش هایی که برای تخمین خواص ترموفیزیکی نانو سیالات مغناطیسی استفاده می شود، استفاده از مدل یادگیری عمیق LSTM است. برای انجام این کار، ابتدا باید داده های مورد نیاز را جمع آوری کرده که این داده ها می توانند شامل اطلاعات ساختار ملکولی نانو سیالات مغناطیسی و خواص ترموفیزیکی مرتبط با آنها باشند. سپس با استفاده از مدل یادگیری عمیق LSTM، الگوهایی که می توانند به خواص ترموفیزیکی نانو سیالات مغناطیسی مربوط شوند را تشخیص دهیم. در نهایت، با استفاده از داده های آموزشی و مدل یادگیری عمیق LSTM، می توان خواص ترموفیزیکی نانو سیالات مغناطیسی را تخمین زد. استفاده از مدل یادگیری عمیق LSTM برای تخمین خواص ترموفیزیکی نانو سیالات مغناطیسی مبتنی بر کربن می تواند به ما کمک کند تا بهتر درک کنیم که چگونه ساختار و خواص فیزیکی مواد مرتبط با هم هستند و چگونه می توانیم این خواص را بهبود بخشیم. بررسی ها نشان داد که با افزایش غلظت نانوذرات چگالی، لزجت و ضریب هدایت گرمایی افزایش می یابد در حالی که با افزایش دما ضریب هدایت گرمایی نانوسیالات افزایش می یابد و لزجت نانوسیالات با افزایش دما کاهش می یابند. که دالیل این تغییرات مورد بررسی واقع شد. مطالعات نظری نشان داد که مدل شبکه عصبی و معادله تجربی ارائه شده به خوبی می توانند نتایج تجربی را پیش بینی کنند.

کلیدواژه ها:

نانو سیال مغناطیسی ، یادگیری عمیق ، هدایت گرمایی ، لزجت