پيش بيني رسانايي گرمايي نانوسيال گرافن با مدل شبكه عصبي مصنوعي چند لايه پرسپترون

Predicting Thermal Conductivity of Graphene Nanofluid with Artificial Neural Networks Multilayer Perceptron

هدف از اين مطالعه مدلسازي و پيش بيني رسانايي گرمايي نانو سيال گرافن به كمك شبكه عصبي مصنوعي چند لايه پرسپترون است. پارامترهاي دماي نانوسيال، كسرحجمي و رسانايي گرمايي نانو ذره به عنوان ورودي شبكه در نظر گرفته شده است. با اطلاعات مربوط به اندازه گيري‌هاي تجربي محققين قبلي در مورد رسانايي گرمايي نانوسيال گرافن در دماي 25 تا 50 درجه سلسيوس و در كسر حجمي 0/005 تا 0/056 تست عملكرد شبكه انجام شده است. جهت بررسي ميزان دقت مدل در پيش‌بيني رسانايي گرمايي نانوسيال، از شاخص‌هاي جذر ميانگين مربعات خطا، ضريب تشخيص و درصد ميانگين مطلق خطا استفاده شده است كه اين مقادير به ترتيب W/mK0/04 ،99 درصد و 0/26 درصد است. نتايج حاصل از شاخص ها ، دقت و اطمينان مدل ارايه شده را در مقايسه با نتايج تجربي و مدل هاي تئوري را نشان مي دهد.

The purpose of this study is to model and predict the thermal conductivity of graphenenano fluid through the artificial neural network of multilayer perceptron. Nano Fluid temperature, volumetric fractions and thermal conductivity of nanoparticles are considered as network inputs. According to the experimental data of previous experiments on thermal conductivity of graphene nanoparticles at the temperature of 25 to 50 ° C and the volume fraction of 0.055-0.066, the network performance tests were performed.In order to evaluate the accuracy of the model in predicting the thermal conductivity of the nanofluid, the root mean square error indices, detection coefficient and absolute error percentage are used. These values are0.04 W/ mK, 99% and 0.26% , respectively.The results of the indicators show the accuracy and reliability of the proposed model in comparison with experimental results and theoretical models.