تخمين ضريب تماس حرارتي بين سطوح منحني شكل با استفاده از حل معكوس و شبكه عصبي- فازي

Estimation of contact heat transfer between curvilinear surfaces using inverse solution and neural-fuzzy network

دانش دقيق انتقال حرارت تماسي بين سطوح منحني شكل يك موضوع مهم در كاربردهاي صنعتي پيشرفته مانند مديريت حرارتي در صنايع الكترونيك و هسته‌اي است. در اين تحقيق ابتدا انتقال حرارت تماسي بين سطوح منحني شكل به روش معكوس تعيين مي شود، سپس كارايي شبكه هاي نوروفازي در تخمين نرخ انتقال حرارت بين اين سطوح بر اساس داده هاي ورودي-خروجي به دست آمده توسط روش معكوس و بر اساس نتايج تجربي بررسي مي شود. اساس اين مطالعه بر پايه دماهاي اندازه گيري شده از حسگرهايي است كه در مناطق خاصي از دو سطح در تماس در يك مجموعه آزمايشگاهي قرار دارند. با استفاده از دماهاي اندازه گيري شده و روش معكوس، سپس ضريب انتقال حرارت تماسي محاسبه مي شود. در كاربرد شبكه هاي نوروفازي از توابع عضويت مختلفي براي آموزش شبكه استفاده مي شود و بهترين تابع انتخاب مي شود. نتايج نشان مي دهد كه تابع عضويت ورودي dsigmf در شبكه عصبي-فازي بهترين عملكرد را نشان مي دهد. همچنين شبكه عصبي-فازي با تابع عضويت ورودي dsigmf در پيش بيني انتقال حرارت تماسي بين سطوح منحني با خطاي 0.007 عملكرد مناسبي را از خود نشان مي دهد.

Accurate knowledge of contact heat transfer between curvilinear surfaces is an important issue in advanced industrial applications such as thermal management in the electronics packaging. In this study, first the contact heat transfer between the curvilinear surfaces is determined using inverse method, then the efficiency of neuro-fuzzy network in estimating the contact heat transfer rate between the curvilinear surfaces based on the input-output data obtained by the inverse method and based on the experimental setup is examined. The basis of this study is based on the measured temperatures of sensors that are in located in specific areas of two curvilinear contacting surfaces in the laboratory setup. Using the measured temperatures and the inverse method, the contact heat transfer coefficient is then calculated. In the application of neuro-fuzzy network, various membership functions are used to train the network and the best function is selected. The results show that the dsigmf input membership function in the neural-fuzzy network shows the best performance. Also, the neural-fuzzy network with dsigmf input membership function performs well in predicting contact heat transfer between curvilinear surfaces with an error of 0.007.