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

كارشناسي ارشد

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.

210164

دانشگاه علم و صنعت ايران

مهندسي شيمي

محمد امين ثباتي