مقايسه و پيش بيني داده هاي آزمايشگاهي راندمان حرارتي مبدل دو لوله اي با نانو سيال اكسيد آهن توسط شبكه هاي عصبي مصنوعي

Comparison and prediction of the Experimental Data for thernal Efficiency of a Double-pipe Heat Exchanger with fe3o4 Nanofluid using Artificial Neural Networks

در اين بررسي راندمان حرارتي مبدل دو لوله اي با نانو سيال آب – Fe3O4 در اعداد رينولدز21000-2000 و كسر هاي حجمي بين(0.1-0.4% v/v) توسط شبكه عصبي مصنوعي ( ANN ) و همبستگي با استفاده از داده هاي آزمايشگاهي ارزيابي و پيش بيني شده است . سايز نانوذره اكسيد آهن در حدود 20 نانومتر مي باشد . عكس برداري SEM از نانو ذرات نيز براي روشن شدن پايداري و همگن بودن سوسپانسيون ارائه شده است . عدد رينولدزو كسرهاي حجمي متفاوت نانو سيال اكسيد آهن به عنوان داده هاي آزمايشي براي ANN استفاده شده است . از شبكه عصبي پيش رو با دو لايه و الگوريتم آموزشي پسا انتشار خطا – لونبرگ ماركوارت (BP-LM) براي پيش پارامترهاي انتقال حرارت استفاده شد. 70درصد دادها در مجموعه آموزشي و15درصد دادها در مجموعه ارزيابي و مابقي به عنوان داده اي تست در راستاي جلوگيري از بيش برازش شبكه و بررسي كارايي نهايي شبكه مورد استفاده قرار گرفت . به علاوه ، بر اساس داده هاي آزمايشگاهي و استفاده از شبكه عصبي مصنوعي ، داده هاي پيش بيني شده توسط شبكه هاي عصبي با نتايج آزمايشگاهي كه توسط مبدل حرارتي دو لوله اي اندازه گيري شده همخواني بسيار خوبي دارد. ميزان صحت سنجي كلي توسط مقدار مربع خطا(MSE) و ضريب همبستگي(R2) براي راندمان مبدل حرارتي دو لوله اي به ترتيب 0/0001 و 0/996 مي باشد كه نشان از موفق بودن اين پيش بيني مي باشد.

In this study, the thermal efficiency of a double-pipe heat exchanger with Fe3O4-water nanofluid in Reynolds numbers between 2000-21000 and volume fractions between (0.1-0.4% v / v) using artificial neural networks and correlation with experimental data has been evaluated and predicted. Iron oxide nanoparticles were about 20 nm in size. SEM photography of nanoparticles is provided to show the stability and homogeneity of suspension. Different Reynolds numbers and volume fractions of iron oxide nanofluid are used as the training data for ANN. A two-layer feed-forward neural network with back-propagation Levenberg-Marquardt learning algorithm (BP-LM) was used for heat transfer pre-parameters. Moreover, 70% of data were used in training set and 15% of data were used in evaluation set and remaining data were used as test data to prevent preprocess of network and to study the final efficacy of the network. In addition, based on the experimental data and the use of artificial neural network, data predicted by the neural network are in good agreement with experimental data measured by the double-pipe heat exchanger. The overall verification by the mean squared error (MSE) and correlation coefficient (R2) for the thermal efficiency of a double-pipe heat exchanger is 0.0001 and 0.996, respectively, indicating that prediction is successful.