مدل سازی و پیشبینی انتقال حرارت نانوسیال آلومینا (ALO) در رادیاتور خودرو با استفاده از شبکه عصبی پرسپترون چند لایه

با گسترش کوچک سازی پیشرانه ها و الزامات کاهش وزن در طراحی خودروهای مدرن، نیاز به سامانه های خنک کننده پربازده و کم حجم محسوس تر شده است. محدودیت های ترمودینامیکی سیال خنک کننده متداول WEG (مخلوط آب/اتیلن گلیکول) مانعی در افزایش نرخ دفع حرارت محسوب می شود و استفاده از نانوسیالات با رسانندگی حرارتی بالاتر راهکاری موثر برای بهبود عملکرد رادیاتورهای خودرو به شمار می آید. این پژوهش با هدف مدل سازی و پیش بینی دقیق نرخ انتقال حرارت نانوسیال Al۲O۳ W/EG، از شبکه عصبی پرسپترون چندلایه (MLP) بهره گرفته است. ۱۵ داده آزمایشگاهی از رادیاتور آلومینیومی استاندارد پژو ۴۰۵، در بازه غلظت ۰ تا ۰.۲۰ حجمی و سرعت موتور ۱۰۰۰ تا ۲۵۰۰ rpm گردآوری شد. پس از نرمال سازی و تفکیک، مدل با ساختار بهینه (۲-۴-۱۰-۱) و الگوریتم لونبرگ مارکوارت آموزش داده شد. مدل با ضریب تعیین ۰.۹۹۵۳۰ = R۲ و میانگین مربعات خطا ۰.۰۰۲۱ MSE طی ۱۳ اپوک با کمینه خطای اعتبارسنجی همگرا گردید. نتایج تجربی نشان داد که در شرایط بهینه (۱۰) غلظت و ۲۵۰۰ rpm نرخ دفع حرارت به ۱۳۸۷.۵ kJ·min رسید که نسبت به سیال پایه، افزایش ۵۰ درصدی داشته است. تحلیل حساسیت نشان داد که غلظت، نانوذرات اثرگذارترین پارامتر بر عملکرد حرارتی رادیاتور است. مدل توسعه یافته برای نانوسیال Al۲O۳-W/EG ابزاری سبک و سریع جهت پیش بینی رفتار حرارتی در شرایط مختلف فراهم می آورد و در مراحل اولیه، طراحی با تعیین غلظت، بهینه وابستگی به آزمون های تجربی یا شبیه سازی های CFD را کاهش می دهد.

کلیدواژه ها:

نانوسیال آلومینا ، رادیاتور خودرو ، شبکه عصبی پرسپترون ، الگوریتم لونبرگ مارکوارت ، انتقال حرارت ، جابجایی