تعیین عدد ناسلت نانوسیال در جریان درون لوله به کمک شبکه های عصبی مصنوعی

امروزه استفاده از نانوسیال در تجهیزات انتقال حرارت همچون مبدل های حرارتی بسیار قابل توجه است. لذا پیش بینی رفتار و خواص انتقال حرارت نانوسیال به عنوان یک هدف کاربردی مطرح می باشد. با توجه به هزینه بالای آزمایش های انتقال حرارت، تکرار یک آزمایش برای داده های گوناگون امکان پذیر نیست، لذا پیش بینی نتایج یک آزمایش برای مقادیر مختلف داده های آزمایش نشده مسئله ای پراهمیت است. با توجه به نتایج دقیق به دست آمده از شبکه های عصبی مصنوعی در پیش بینی مقادیر، استفاده از این روش در پیش بینی مقادیر داده های آزمایش نشده، در این مقاله مورد توجه قرار گرفته است. در این روش با در دست داشتن تعداد محدودی از داده های ورودی و خروجی مطلوب آنها، می توان شبکه را به گونه ای آموزش داد که برای محدوده وسیعی از داده های ورودی، خروجی مطلوب را با دقت بسیار خوبی پیش بینی کند. در این مقاله مقادیر تجربی به دست آمده برای عدد ناسلت در جریان آرام و همچنین جریان مغشوش درون لوله، به کمک شبکه های عصبی مختلف مدل سازی شده، در نهایت بهترین شبکه (با حداقل خطای ممکن) جهت پیش بینی مقادیر جدید برای نانوسیال آب - اکسید آلومینیوم مورد استفاده قرار گرفته است. نتایج به دست آمده نشان می دهند که شبکه های عصبی، ابزار مفیدی جهت پیش بینی مقادیر مجهول در محدوده های آزمایش نشده متغیرها با دقت بسیار بالا می باشد.