این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
شیمی و مهندسی شیمی ایران، جلد ۳۸، شماره ۳، صفحات ۲۱۹-۲۴۲
عنوان فارسی پیش بینی ویژگی های انتقالی (هدایت گرمایی و گرانروی) نانوسیال ها با استفاده از روش شبکه ی عصبی مصنوعی
چکیده فارسی مقاله 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. 483 داده­ ی تجربی جمع­ آوری و برای طراحی این شبکه مورداستفاده قرارگرفت و ساختار شبکه به­ صورت (5-18-1) 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 6/2، 2/2 و3/2 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 510 داده­ی تجربی برای طراحی این شبکه مورد استفاده قرار گرفت و ساختار بهینه­ی شبکه به­صورت (5-19-1) به­ دست آمد. نتیجه ­های AARD% برای داده ­های آموزش، ارزیابی و آزمون به ترتیب 9/2، 2/3 و 1/3 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.   
کلیدواژه‌های فارسی مقاله نانوسیال،هدایت گرمایی،گرانروی،شبکه‌ی عصبی مصنوعی،
عنوان انگلیسی Prediction of the Transport Properties (Thermal Conductivity and Viscosity) of Nanofluids Using Artificial Neural Network (ANN) Method
چکیده انگلیسی مقاله In this work, feed-forward back-propagation Artificial Neural Networks (ANNs) have been presented to predict the enhancement of the relative thermal conductivity and viscosity of a wide range of nanofluids with different base fluids and nanoparticles. The thermal conductivity ratio of nanofluids with respect to the base fluids has been modeled using an ANN model. The model considers the effects of the thermal conductivity of the base fluid, the thermal conductivityof nanoparticles, nanoparticle volume fraction percent, temperature, and nanoparticle cluster average size. The total number of experimental data used to design the stated network is 483 from 18 different nanofluids. The (5-18-1) topology has been obtained as the best topology of the ANN model. The results of the AARD% for the train, validation, and test sets of data are 2.6, 2.2, and 2.3, respectively. The viscosity ratio of the nanofluids with respect to the base fluids has been modeled using the other ANN model. The viscosity of the base fluid, density ratio of the base fluids with respect to the nanoparticle, nanoparticle volume fraction percent, temperature, and nanoparticle cluster average size have been selected as the inputs of ANN model. The 510 experimental data have been used to design the stated network. The (5-19-1) topology has been obtained as the best topology of the ANN model. The results of the AARD% for the train, validation, and test sets of data are 2.9, 3.1, and 3.2, respectively. Accordingly, two studied ANN models are in good agreement with experimental data. A comparison between the predictions of the proposed ANN models and those predicted by some traditional models such as Maxwell and Bruggeman models shows that much better agreements can be obtained using the ANN model. This model also can able us to predict the relative thermal conductivity and viscosity of new nanofluids in different conditions.
کلیدواژه‌های انگلیسی مقاله نانوسیال,هدایت گرمایی,گرانروی,شبکه‌ی عصبی مصنوعی
نویسندگان مقاله مجید موسوی |
گروه شیمی فیزیک ، دانشکده شیمی، دانشگاه اصفهان، اصفهان، ایران

آزاده دانشور |
گروه شیمی فیزیک ، دانشکده شیمی، دانشگاه اصفهان، اصفهان، ایران

خدیجه فیروزی راد |
گروه شیمی فیزیک ، دانشکده شیمی، دانشگاه اصفهان، اصفهان، ایران

نشانی اینترنتی https://www.nsmsi.ir/article_31920_264dad807725542b4e60f2b41a2f0a1d.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات