27168

مدل سازي هدايت حرارتي نانوسيالات درون روغن ترانسفوماتور

كارشناسي ارشد

مهندسي برق- سيستم‌هاي قدرت

1398

1401/6/13

احمد غلامي

مهندسي برق

نانوسيالات به دليل خواص بالاي دي الكتريك و حرارتي و فيزيكي، يكي از گزينه هاي جايگزين براي روغن معدني خالص مي باشند و غلظت مواد افزودني و نقش سورفاكتانت بر خصوصيات دي الكتريك روغن پايه تاثير مثبت دارد. روش هاي مختلف محاسبات نرم، از جمله روش گروهي مديريت داده ها (GMDH)، ماشين بردار پشتيباني (SVM)، شبكه عصبي تابع پايه شعاعي (RBF)، پرسپترون چند لايه (MLP)، مدل هاي MLP و RBF بهينه شده با خفاش و ملخ الگوريتم بهينه سازي (GOA)، براي مدل سازي ويسكوزيته و هدايت حرارتي نانوسيالات سنتز شده استفاده مي شود. ضريب هدايت حرارتي نانوسيالات به ضريب هدايت حرارتي نانوذرات اعم از فلزي يا اكسيدي و همچنين به شدت به كسر حجمي نانوذرات معلق در نانوسيال وابسته مي باشد. براي تخمين ضريب هدايت حرارتي بر اساس موارد ذيل مي باشد: الف) در مدل هاي استاتيك، نانوذرات در سيال پايه ساكن فرض مي شوند و ضريب هدايت حرارتي پيش بيني شده با مدل هاي هدايت مبنا، مانند: ماكسول ، هميلتون-كراسر و جز اين موارد از ضريب هدايت حرارتي اجزاي اصلي فاز و كسرهاي حجمي استفاده مي شود. ب) مدل هاي ديناميك بر پايه حركت براوني و معتبر براي انرژي انتقال يافته از طريق برخورد بين نانوذرات استفاده مي شود. در اين پروژه با استفاده از روش هايGMDH وSVM با تعداد نقاط دما به عنوان ورودي و خروجي، به مدل سازي هدايت حرارتي نانوسيال مبتني بر روغن ترانسفورماتور پرداخته و در نهايت نتايج اين دو روش مقايسه مي شود.

1401/07/25

Modeling thermal conductivity of nanofluids in transformer oil

9/4/2023 12:00:00 AM

Due to their high dielectric, thermal and physical properties, nanofluids are one of the alternative options for pure mineral oil, and the concentration of additives and the role of surfactant have a positive effect on the dielectric properties of the base oil. Various soft computing methods, including group data management method (GMDH), support vector machine (SVM), radial basis function (RBF) neural network, multilayer perceptron (MLP), bat-optimized MLP and RBF models, and Propeller Optimization Algorithm (GOA) is used to model the viscosity and thermal conductivity of synthesized nanofluids. The thermal conductivity coefficient of nanofluids is strongly dependent on the thermal conductivity coefficient of nanoparticles, whether metallic or oxide, as well as the volume fraction of nanoparticles suspended in the nanofluid. To estimate the thermal conductivity coefficient, it is based on the following: A) In static models, nanoparticles are assumed to be stationary in the base fluid, and the thermal conductivity coefficient is predicted by base conductivity models, such as Maxwell, and Hamilton-Crosser, and except for these cases, the thermal conductivity coefficient of the main phase components and volume fractions are used. will be b) dynamic models based on Brownian motion and valid for energy transferred through collisions between nanoparticles are used. In this project, using GMDH and SVM methods with the number of temperature points as input and output, modeling the thermal conductivity of nanofluid based on transformer oil, and finally, the results of these two methods are compared.

روغن ترانسفورماتور , نانوسيال , هدايت حرارتي , ماشين بردار پشتيباني , روش گروهي پردازش داده ها

transformer oil , Nanofluid , thermal conductivity , SVM , GMDH

Marziye Hajebi

Dr. Gholami