پيش بيني ويژگي هاي انتقالي (هدايت گرمايي و گرانروي) نانوسيال ها با استفاده از روش شبكه ي عصبي مصنوعي

در اين پژوهش، از شبكه ه اي عصبي مصنوعي (ANN) پس انتشار پيش خور براي پيش بيني روند تغييرهاي هدايت گرمايي نسبي و گرانروي نسبي بازه گسترد ه اي از نانوسيال ها با سيال هاي پايه و نانوذره هاي متفاوت، استفاده شده است. در اولين مدل ANN، هدايت گرمايي نانوسيال ها بر اساس هدايت گرمايي سيال پايه، هدايت گرمايي نانوذره، درصد كسرحجمي نانوذره، دما و اندازه ي متوسط نانوذره مدل سازي شده است. 483 داده ي تجربي جمع آوري و براي طراحي اين شبكه مورداستفاده قرارگرفت و ساختار شبكه به صورت (5-18-1) كم ترين خطا را در پيش بيني هدايت گرمايي نانوسيال نشان داد و نتيجه هاي AARD% براي داده هاي آموزش، ارزيابي و تست به ترتيب 2.6، 2.2 و2.3 به دست آمد. در شبكه ي عصبي مصنوعي ديگري كه براي پيش بيني گرانروي نانوسيال طراحي شد، پارامترهاي گرانروي سيال پايه، نسبت چگالي سيال پايه به نانوذره، درصد كسرحجمي نانوذره، دما و اندازه ي متوسط نانوذره به عنوان ورودي هاي شبكه استفاده شد. تعداد 510 داده ي تجربي براي طراحي اين شبكه مورد استفاده قرار گرفت و ساختار بهينه ي شبكه به صورت (5191) به دست آمد. نتيجه هاي AARD% براي داده هاي آموزش، ارزيابي و آزمون به ترتيب 2.9، 3.2 و 3.1 به دست آمد. نتيجه هاي به دست آمده از اين دو شبكه ي عصبي مصنوعي توانمند بودن آن ها را در پيش بيني ويژگي هاي هدايت گرمايي و گرانروي نانوسيال ها نشان مي دهد. مقايس ه اي بين پيش بيني مدل هاي پيشنهادي و پيش بيني مدل هاي مرسوم مانند، ماكسول، براگمن، انيشتين، كرينگر و... (در مورد هدايت گرمايي) و مدل هاي اينشتين، كريگر، نيلسن، باتچلر و برينكمن (در مورد گرانروي) نشان داد كه مدل هاي پيشنهادي اين پژوهش در توافق بيش تري با مقدارهاي تجربي هستند. اين دو مدل همچنين ما را در پيش بيني هدايت گرمايي و گرانروي نسبي نانوسيال هاي تازه با مشخصه هاي گوناگون توانمند مي سازند.