پیش بینی دقیق شاخص ناسلت در مبدل های حرارتی صفحه ای با استفاده از یادگیری ماشین: یک مطالعه مقایسه ای جامع

در این پژوهش، از الگوریتم های یادگیری ماشین و روش های یادگیری آماری شامل رگرسیون خطی، رگرسیون خطی ساده، رگرسیون افزایشی، قواعد M_۵ و فرآیند گاوسی برای پیش بینی عدد ناسلت در مبدل های حرارتی صفحه ای استفاده شد. یک پایگاه داده جامع متشکل از داده های تجربی از منابع مختلف گردآوری و به کار گرفته شد. پارامترهای ورودی شامل زاویه شروان، نسبت ابعادی پروفیل موج دار، ضریب بزرگنمایی سطح و عدد رینولدز بودند و عدد ناسلت به عنوان متغیر خروجی در نظر گرفته شد. نتایج حاکی از دقت بالای مدل های به کار رفته بود، به طوری که در داده های آموزشی، بالاترین ضریب همبستگی توسط روش قواعد M_۵ و رگرسیون افزایشی به دست آمد. این روش همچنین در داده های آزمایشی با بیشترین ضریب همبستگی و کمترین خطا، به عنوان دقیق ترین مدل شناسایی شد. مقادیر خطای مطلق میانگین و ریشه میانگین مربعات خطا برای این مدل در داده های آزمایشی در پایین ترین سطح محاسبه گردید. یافته های این مطالعه نشان می دهد که روش قواعد M_۵ نه تنها از دقت پیش بینی بسیار بالایی برخوردار است، بلکه به دلیل ساختار شفاف و قابلیت تفسیرپذیری، ابزاری قابل اعتماد برای مدل سازی پدیده های انتقال حرارت در مبدل های حرارتی صفحه ای در طیف وسیعی از شرایط عملیاتی به شمار می رود.