پیش بینی ویژگی های انتقالی (هدایت گرمایی و گرانروی) نانوسیال ها با استفاده از روش شبکه ی عصبی مصنوعی

در این پژوهش، از شبکه ه ای عصبی مصنوعی (ANN) پس انتشار پیش خور برای پیش بینی روند تغییرهای هدایت گرمایی نسبی و گرانروی نسبی بازه گسترد ه ای از نانوسیال ها با سیال های پایه و نانوذره های متفاوت، استفاده شده است. در اولین مدل ANN، هدایت گرمایی نانوسیال ها بر اساس هدایت گرمایی سیال پایه، هدایت گرمایی نانوذره، درصد کسرحجمی نانوذره، دما و اندازه ی متوسط نانوذره مدل سازی شده است. 483 داده ی تجربی جمع آوری و برای طراحی این شبکه مورداستفاده قرارگرفت و ساختار شبکه به صورت (5-18-1) کم ترین خطا را در پیش بینی هدایت گرمایی نانوسیال نشان داد و نتیجه های AARD% برای داده های آموزش، ارزیابی و تست به ترتیب 6/2، 2/2 و3/2 به دست آمد. در شبکه ی عصبی مصنوعی دیگری که برای پیش بینی گرانروی نانوسیال طراحی شد، پارامترهای گرانروی سیال پایه، نسبت چگالی سیال پایه به نانوذره، درصد کسرحجمی نانوذره، دما و اندازه ی متوسط نانوذره به عنوان ورودی های شبکه استفاده شد. تعداد 510 داده ی تجربی برای طراحی این شبکه مورد استفاده قرار گرفت و ساختار بهینه ی شبکه به صورت (5-19-1) به دست آمد. نتیجه های AARD% برای داده های آموزش، ارزیابی و آزمون به ترتیب 9/2، 2/3 و 1/3 به دست آمد. نتیجه های به دست آمده از این دو شبکه ی عصبی مصنوعی توانمند بودن آن ها را در پیش بینی ویژگی های هدایت گرمایی و گرانروی نانوسیال ها نشان می دهد. مقایس ه ای بین پیش بینی مدل های پیشنهادی و پیش بینی مدل های مرسوم مانند، ماکسول، براگمن، انیشتین، کرینگر و... (در مورد هدایت گرمایی) و مدل های اینشتین، کریگر، نیلسن، باتچلر و برینکمن (در مورد گرانروی) نشان داد که مدل های پیشنهادی این پژوهش در توافق بیش تری با مقدارهای تجربی هستند. این دو مدل همچنین ما را در پیش بینی هدایت گرمایی و گرانروی نسبی نانوسیال های تازه با مشخصه های گوناگون توانمند می سازند.