Nusselt Number Estimation along a Wavy Wall in an Inclined Lid-driven Cavity using Adaptive Neuro-Fuzzy Inference System (ANFIS)

در پژوهش حاضر، يك شبكه‌ي عصبي- فازي تطبيقي براي تعيين عدد ناسلت (Nu) بر روي ديواره‌ي مواج در يك محفظه‌ي درپوش‌دار با به‌كارگيري نتايج حاصل از روش شبكه‌ي بولتزمن ارايه شده‌است. در ابتدا مجموعه‌ي داده‌ها براي آموزش، ارزيابي و آزمايش شبكه‌ي عصبي- فازي تطبيقي، بر پايه‌ي نتايج به‌دست آمده از حل مسيله به روش شبكه‌ي بولتزمن، تهيه مي‌شود. سپس شبكه‌ي عصبي- فازي تطبيقي توسعه و آموزش داده ‌شده و در نهايت با نتايج به‌دست آمده از شبكه‌ي بولتزمن اعتبارسنجي مي‌گردد. عدد رينولدز (Re)، عدد ريچاردسون (Ri)، دامنه‌ي ديواره‌ي مواج (A) و زاويه‌ي دوران (?) به عنوان چهار ورودي و عدد ناسلت به عنوان تنها خروجي شبكه‌‌ي عصبي- فازي تطبيقي مدنظر قرار گرفته‌است. ميانگين مجموع مربعات خطا براي سه آرايش گوناگون داده‌هاي آموزش، ارزيابي و آزمايش به ازاي معماري‌هاي مختلف شبكه مورد مقايسه قرار گرفته و بر اين اساس بهترين معماري شبكه انتخاب مي‌گردد. پژوهش حاضر مي‌كوشد تا با استفاده از شبكه‌ي عصبي- فازي تطبيقي آموزش داده‌شده براي مقادير خاص ورودي، عدد ناسلت در هندسه‌ي بيان شده را براي ساير مقادير ورودي در محدوده‌ي تعريف‌شده پيش‌بيني كند. نتايج نشان مي‌دهند كه استفاده از شبكه‌ي عصبي- فازي تطبيقي ضمن ارايه‌ي دقت قابل قبول مي‌تواند موجب كاهش زمان و هزينه‌ي صرف‌شده در مقايسه با حل دقيق عددي شود.

In this study, an adaptive neuro-fuzzy inference system (ANFIS) was developed to determine the Nusselt number (Nu) along a wavy wall in a lid-driven cavity under mixed convection regime. Firstly, the main data set of input/output vectors for training, checking and testing of the ANFIS was prepared based on the numerical results of the lattice Boltzmann method (LBM). Then, the ANFIS was developed and validated using the randomly selected data series for network testing. The applied ANFIS model has four inputs including Reynolds number (Re), Richardson number (Ri), wavy wall amplitude (A) and inclination angle (?). Nusselt number (Nu) was the unique output of the ANFIS model. To select the best ANFIS model, the average errors of various architectures for three different data series of training, checking and testing of the main data set are calculated. Results indicated that the developed ANFIS has acceptable performance to predict the Nu number for the cited convection problem. This method can reduce computing time and cost considering acceptable accuracy of results.