26105

پيش بيني كشش سطحي نانوسيالات مختلف با استفاده از شبكه هاي عصبي و الگوريتم هوشمند

كارشناسي ارشد

مهندسي شيمي

1397

1400/8/29

محمد امين ثباتي

دانشكده مهندشي شمي، نفت، گاز

نانوسيالات يك نسل جديد از سيالات جهت استفاده در فرآيندهاي انتقال حرارت هستند كه به علت رفتار حرارتي بي¬شباهت و كاربردهاي بالقوه¬ي خود، مورد توجه محققان قرار گرفته¬اند. در چند دهه گذشته مطالعات فراواني براي بررسي خواص مختلف نانوسيالات انجام شده‌است كه از مهم¬ترين آن¬ها مي¬توان به هدايت حرارتي، ويسكوزيته، كشش سطحي و چگالي اشاره كرد. در بين موارد گفته شده كشش سطحي كمتر مورد مطالعه قرار گرفته كه از اين ¬رو در اين پروژه با استفاده از مطالعات تجربي محققان مختلف كه در اين زمينه كار كرده¬اند مدل¬هاي تجربي را براي پيش¬بيني كشش سطحي نانوسيالات مختلف ارائه خواهيم كرد. كشش سطحي تاثير زيادي بر انتقال حرارت جوششي، جريان جوششي در ميكروكانال‌ها، عملكرد انتقال حرارتِ لوله‌هاي حرارتي و ترموسيفون¬ها و همچنين ايجاد حباب يا تشكيل قطره دارد. كشش سطحي يك عامل كنترل‌كننده براي يافتن شكل قطره مايع است كه به شدت بر انتقال گرما و انتقال جرم يك سيستم حرارتي تاثير مي‌گذارد؛ بنابراين تعيين اين خاصيت از اهميت بالايي برخوردار مي¬شود. در سال¬هاي اخير توجه به شبكه¬هاي عصبي و الگوريتم¬هاي هوشمند در زمينه¬ي مدل سازي به طرز چشمگيري افزايش يافته است كه در اين ميان خواص¬ ترموفيزيكي نانوسيالات (از قبيل هدايت حرارتي و ويسكوزيته) نيز از اين قاعده مستثني نبوده و مدل¬هاي بسياري براي آن¬ها ارائه شده است. مدل سازي¬هاي به كار رفته در اين پژوهش نيز همين نوع مدل سازي¬ها كه به اصطلاع جعبه سياه گفته مي-شود خواهد بود كه شامل مدل سازي¬هاي مبتني بر شبكه عصبي و الگوريتم ژنتيك هستند. شبكه¬هاي عصبي پرسپترون چندلايه، پايه تابع شعاعي، ماشين بردار پشتيبان، سيستم استنتاج عصبي-فازي سازگار و برنامه نويسي ژنتيك شبكه¬هايي هستند كه در اين پروژه به منظور مدل سازي مورد استفاده قرار گرفتند. طبق مطالعات انجام گرفته به طور كلي متغيرهاي نوع سيال پايه، نوع نانوذره، غلظت نانوذره در سيال پايه، دما و اندازه نانوذرات بر كشش سطحي تاثير گذار بوده كه براي مدل سازي اين داده¬ها جمع آوري شدند. در اين پروژه از 2074 داده¬ي تجربي استفاده شد كه اين داده¬ها نيز به سه دسته¬ي آموزش، ارزيابي و تست دسته بندي شدند. با توجه به نتايج شبكه¬هاي عصبي پرسپترون چندلايه و پايه تابع شعاعي از نتايج بهتري نسبت به بقيه¬ي مدل¬ها برخوردار بودند. بر اساس نتايج، مقدار خطاي R2 (ضريب تشخيص) براي كل داده¬ها و مدل¬هاي MLP، RBF، SVR، ANFIS و GPTIPS به ترتيب برابر 9952/0، 9946/0، 9884/0، 9469/0 و 8668/0 و مقدار خطاي AARD (ميانگين انحراف نسبي مطلق) به ترتيب برابر 9964/0، 0319/1، 3073/1، 3971/3 و 2069/6 بودند كه با توجه به آن¬ها نشان مي¬دهد كه شبكه-ي MLP از دقت بيشتري نسبت به بقيه برخوردار بوده است. به منظور تشخيص ساختار شبكه¬ي بهينه از روش سعي و خطا استفاده شده كه براي شبكه¬ي MLP تعداد 20 و 10 نورون به ترتيب براي لايه¬ي اول و دوم و براي شبكه RBF تعداد 400 نورون كه از مهم¬ترين مدل¬ها بودند انتخاب شد.

1400/12/02

Prediction of varies nanofluids surface tension using artificial neural networks and intelligence optimization algorithm methods

11/20/2022 12:00:00 AM

Nanofluids are a new generation of fluids used in heat transfer processes which have been interested by researchers due to their unique behaviear in heat transfer and potential applications. In the last few decades, numerous studies have been conducted to investigate the different properties of nanofluids which the most important ones are thermal conductivity, viscosity, surface tension and density. Among the mentioned cases, surface tension of nanofluids has been studied seldom. Surface tension has a great influence on boiling heat transfer, flow boiling in microchannels, heat transfer function of heat pipe and thermosiphons. Surface tension is a controlling factor for finding the shape of a liquid droplet that severely affects heat transfer and mass transfer of a thermal system, so determination of this property is very important. In recent years, attention to neural networks and intelligent algorithms has increased significantly in the modeling of the thermo physical properties (such as thermal conductivity and viscosity) and also many models have been proposed for those properties. In this study we will present several experimental models to predict the surface tension of different nanofluids. The models used in this research are black boxes modeling types which include neural network and genetic algorithm. Multilayer perceptron neural networks (MLP), radial basis function (RBF), support vector machine (SVM), adaptive fuzzy inference system (ANFIS) and genetic programming (GP) are used for modeling. 2074 experimental data was used which are classified into three categories of training, evaluation and test datasets. Finally, according to the results, the amount of R2 error (coefficient of determination) for the all data and MLP, RBF, SVR, ANFIS networks and GPTIPS were 0.9952, 0.9946, 0.9884, 0.9469 ,0.8668 and for AARD error (average absolute relative deviation were 0.9964, 1.0319, 1.3073, 3.3971, 6.2069 respectively. Which shows that the MLP and RBF networks was more accurate than the others. In order to identify the optimum network structure, the try and error method was used, for the MLP network 20 and 10 neurons were selected for the first and second layer, respectively and for the RBF network 400 neurons were selected.

نانوسيال , كشش سطحي , شبكه عصبي , مدل سازي , شبكه عصبي MLP، RBF، SVR، ANFIS، برنامه نويسي ژنتيك.

Nanofluid , Surface tension , Neural networks , Modeling , MLP neural network, RBF, SVR, ANFIS, Genetic programing.

كامران جعفري

كامران جعفري