ارزیابی کارآیی مدل های شبکه های عصبی مصنوعی برای تخمین و محاسبه ضریب انتقال حرارت هدایتی در نانوسیالات

در این مقاله سعی شده است، داده های مربوط به نانوسیالات با استفاده از مدل های هوش مصنوعی توسعه داده شود و مدلی بهینه به جهت تخمین و محاسبه ضریب هدایت حرارتی برای نانوسیالات معرفی شود. لذا داده های تجربی آزمایشات مبتنی بر نانوذرات Al۲O۳، CuO، TiO۲، Fe۲O۳ در سیال پایه آب مقطر برای درصدهای حجمی ۰/۰۲ تا ۲ در دماهای مختلف اندازه گیری شد و به همراه داده های کتابخانه ای به عنوان ورودی مدل ها استفاده شد. غلظت نانوسیال، دما، چگالی و ویسکوزیته اطلاعات ورودی به مدل ها بودند و پارامتر ضریب هدایت حرارتی نانوسیال خروجی مدل ها می باشد. در مجموع ۲۶۸ سری داده به عنوان ورودی مدل ها تعریف شد، که ۷۰ درصد صرف آموزش و ۳۰ درصد برای صحه گذاری استفاده شد. با پنج حالت مختلف شامل شبکه عصبی مصنوعی با تابع فعالسازی ANN-Trainlm، ANN-Trainbr، ANN-Trainscg، شبکه حافظه کوتاه مدت طولانی (LSTM) و رگرسیون بردار پشتیبان (RVS) برای مدل سازی بررسی شد. نتایج نشان داد،  LSTM تطابق بسیار مطلوب تری با داده های تجربی دارد، زیرا مقادیر ارزیابی شامل ضریب رگرسیون (R۲)، خطای جذر میانگین مربعات (RSME) و درصد میانگین مطلق خطا (MAPE) به ترتیب مقادیر ۰/۹۷۶۴، ۰/۰۳۱۳ و ۰/۰۸۱۹ را به خود اختصاص دادند.

کلیدواژه ها:

Nanofluid ، artificial neural network ، thermal conductivity coefficient ، modeling ، نانوسیال ، شبکه عصبی مصنوعی ، ضریب هدایت حرارتی ، مدل سازی