پیش بینی ویژگی های انتقالی (هدایت گرمایی و گرانروی) نانوسیال ها با استفاده از روش شبکه ی عصبی مصنوعی
- سال انتشار: 1398
- محل انتشار: فصلنامه شیمی و مهندسی شیمی ایران، دوره: 38، شماره: 3
- کد COI اختصاصی: JR_NSMSI-38-3_021
- زبان مقاله: فارسی
- تعداد مشاهده: 57
نویسندگان
گروه شیمی فیزیک ، دانشکده شیمی، دانشگاه اصفهان، اصفهان، ایران
گروه شیمی فیزیک ، دانشکده شیمی، دانشگاه اصفهان، اصفهان، ایران
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. 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 مصنوعیاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.