تعداد نشریات | 43 |
تعداد شمارهها | 1,262 |
تعداد مقالات | 15,535 |
تعداد مشاهده مقاله | 51,553,456 |
تعداد دریافت فایل اصل مقاله | 14,493,591 |
پیش بینی رسانایی گرمایی نانوسیال گرافن با مدل شبکه عصبی مصنوعی چند لایه پرسپترون | ||
مهندسی مکانیک دانشگاه تبریز | ||
مقاله 35، دوره 47، شماره 3، آذر 1396، صفحه 319-323 اصل مقاله (833.59 K) | ||
نوع مقاله: مقاله کوتاه | ||
نویسندگان | ||
سهیلا خسروجردی1؛ آرش میرعبدله لواسانی* 2؛ مسعود وکیلی3 | ||
1دانشجوی کارشناسی ارشد، دانشگاه آزاد اسلامی، واحد تهران مرکزی، باشگاه پژوهشگران جوان و نخبگان، تهران، ایران | ||
2دانشیار، گروه مهندسی مکانیک، دانشگاه آزاداسلامی واحد تهران مرکزی، تهران، ایران | ||
3کارشناسی ارشد، دانشکده مهندسی مکانیک، دانشگاه علم و صنعت ایران، تهران، ایران | ||
چکیده | ||
هدف از این مطالعه مدلسازی و پیش بینی رسانایی گرمایی نانو سیال گرافن به کمک شبکه عصبی مصنوعی چند لایه پرسپترون است. پارامترهای دمای نانوسیال، کسرحجمی و رسانایی گرمایی نانو ذره به عنوان ورودی شبکه در نظر گرفته شده است. بااطلاعات مربوط به اندازه گیریهای تجربی محققین قبلی در مورد رسانایی گرمایی نانوسیال گرافن در دمای 25 تا 50 درجه سلسیوس و در کسر حجمی 005/0 تا 056/0 تست عملکرد شبکه انجام شده است. جهت بررسی میزان دقت مدل در پیشبینی رسانایی گرمایی نانوسیال، از شاخصهای جذر میانگین مربعات خطا، ضریب تشخیص و درصد میانگین مطلق خطا استفاده شده است که این مقادیر به ترتیبW/mK04/0 ،99 درصد و 26/0 درصد است. نتایج حاصل از شاخص ها ، دقت و اطمینان مدل ارایه شده را در مقایسه با نتایج تجربی و مدل های تئوری را نشان می دهد. | ||
کلیدواژهها | ||
رسانایی گرمایی؛ شبکه عصبی مصنوعی؛ نانوسیال؛ گرافن | ||
مراجع | ||
[1] Das, Sarit K., et al., Nanofluids: science and technology. John Wiley & Sons, 2007.
[2] Chol, S. U. S., Enhancing thermal conductivity of fluids with nanoparticles, ASME-Publications-Fed 231 PP. 99-106, 1995.
[3] Gupta Soujit Sen, et al., Thermal conductivity enhancement of nanofluids containing graphene nanosheets, Journal of Applied Physics 110.8, 084302, 2011.
[4] Aravind, SS Jyothirmayee, and S. Ramaprabhu. Surfactant free graphene nanosheets based nanofluids by in-situ reduction of alkaline graphite oxide suspensions., Journal of Applied Physics 110.12, 124326, 2011.
[5] Yu, Wei, et al. Significant thermal conductivity enhancement for nanofluids containing graphene nanosheets, Physics Letters A. 375.10, 1323-1328, 2011.
[6] Barbés, Benigno, et al. Thermal conductivity and specific heat capacity measurements of CuO nanofluids, Journal of Thermal Analysis and Calorimetry 115.2, 1883-1891, 2014.
[7] Paul, G., et al., Techniques for measuring the thermal conductivity of nanofluids: a review, Renewable and Sustainable Energy Reviews 14.7 (): 1913-1924. nanofluids: A review, Renewable and Sustainable Energy Reviews 14, 1913–1924, 2010.
[8 Eslamloueyan, R., and M. H. Khademi, Estimation of thermal conductivity of pure gases by using artificial neural networks, International Journal of Thermal Sciences 48.6, 1094-1101, 2009.
[9] Najafi, Alireza, et al. Thermal Conductivity Prediction of Pure Liquids Using Multi-Layer Perceptron Neural Network, Journal of Thermophysics and Heat Transfer 29.1, 197-202, 2014.
[10] Bhoopal, Rajpal S., et al. Applicability of artificial neural networks to predict effective thermal conductivity of highly porous metal foams, Journal of Porous Media 16.7, 2013..
[11] Papari, Mohammad M., et al., Modeling thermal conductivity augmentation of nanofluids using diffusion neural networks, International Journal of Thermal Sciences 50.1, 44-52, 2011.
[12] Hojjat, M., et al., Thermal conductivity of non-Newtonian nanofluids: experimental data and modeling using neural network, International Journal of Heat and Mass Transfer 54.5, 1017-1023, 2011.
[13] Longo, Giovanni A., et al., Application of artificial neural network (ANN) for the prediction of thermal conductivity of oxide–water nanofluids, Nano Energy 1.2, 290-296, 2012.
[14] Esfe, Mohammad Hemmat, et al., Thermal conductivity modeling of MgO/EG nanofluids using experimental data and artificial neural network, Journal of Thermal Analysis and Calorimetry 118.1, 287-294, 2014.
[15] Esfe, Mohammad Hemmat, et al. Modeling of thermal conductivity of ZnO-EG using experimental data and ANN methods, International Communications in Heat and Mass Transfer 63, 35-40, 2015.
[16] Haykin, Simon, and Neural Network., A comprehensive foundation, Neural Networks 2.2004, 2004.
[17] Araghinejad, Shahab. Data-driven modeling: using MATLAB® in water resources and environmental engineering. Vol. 67. Springer Science & Business Media, 2013.
[18] Baby, Tessy Theres, and Ramaprabhu S., Investigation of thermal and electrical conductivity of graphene based nanofluids, Journal of Applied Physics 108.12, 124308, 2010.
[19] Buongiorno, Jacopo, et al. A benchmark study on the thermal conductivity of nanofluids, Journal of Applied Physics 106.9, 094312, 2009. | ||
آمار تعداد مشاهده مقاله: 585 تعداد دریافت فایل اصل مقاله: 545 |