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

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. ۴۸۳ داده­ ی تجربی جمع­ آوری و برای طراحی این شبکه مورداستفاده قرارگرفت و ساختار شبکه به­ صورت (۵-۱۸-۱) 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 ۶/۲، ۲/۲ و۳/۲ 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 ۵۱۰ داده­ی تجربی برای طراحی این شبکه مورد استفاده قرار گرفت و ساختار بهینه­ی شبکه به­صورت (۵-۱۹-۱) به­ دست آمد. نتیجه ­های AARD% برای داده ­های آموزش، ارزیابی و آزمون به ترتیب ۹/۲، ۲/۳ و ۱/۳ 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.

کلیدواژه ها:

نانوسیال ، هدایت گرمایی ، گرانروی ، شبکه ی عصبی مصنوعی