پیش بینی عملکرد حرارتی-هیدرولیکی مبدل پره-لوله با نانوسیال آب/اکسید سیلیسیم به کمک مدل های یادگیری ماشین

در این پژوهش، عملکرد حرارتی-هیدرولیکی یک مبدل حرارتی پره-لوله حاوی نانوسیال آب/اکسید سیلیسیم با استفاده از سه مدل یادگیری ماشین شامل رگرسیون خطی، رگرسیون شبکه عصبی مصنوعی و رگرسیون ریدج پیش بینی و ارزیابی شد. داده های مورد نیاز از شبیه سازی عددی سه بعدی جریان آشفته در نرم افزار انسیس فلوئنت استخراج گردید. معیارهای ارزیابی شامل میانگین مربعات خطا (MSE)، ریشه میانگین مربعات خطا (RMSE)، میانگین خطای مطلق (MAE) و ضریب تعیین (R²) بودند. نتایج نشان داد که مدل رگرسیون خطی با محدوده MSE بین ۰.۰۰۲۷ تا ۰.۰۰۴۷ و R² بین ۰.۹۴۸ تا ۰.۷۹۰۹، بهترین عملکرد را در پیش بینی نرخ انتقال حرارت و کار پمپ دارد. مدل رگرسیون شبکه عصبی مصنوعی با محدوده MSE بین ۰.۰۰۱۴ تا ۰.۰۰۲۴ و R² بین ۰.۰۴۳۷ تا ۰.۸۱۷۵ برای پیش بینی عدد ناسلت برتری نشان داد که حاکی از روابط غیرخطی قوی تر در این متغیر است. مدل رگرسیون ریدج در تمام معیارها عملکرد ضعیف تری نسبت به دو مدل دیگر داشت که نشان دهنده عدم نیاز به منظم سازی برای داده های این مطالعه است. به طور کلی، مدل های یادگیری ماشین می توانند با دقت مناسب، عملکرد مبدل های حرارتی حاوی نانوسیال را پیش بینی کرده و هزینه محاسباتی شبیه سازی های عددی را کاهش دهند.

کلیدواژه ها:

مبدل حرارتی پره-لوله ، یادگیری ماشین ، رگرسیون خطی ، رگرسیون شبکه عصبی مصنوعی ، رگرسیون ریدج