مدلسازي و پيش‌بيني ضريب انتقال حرارت نانو‌سيالات رقيق ɣ-AL2O3/H2O به كمك سيستم عصبي-فازي

Modeling and prediction of dilute ɣ-AL2O3/H2O nanofluids heat transfer coefficient using neuro-fuzzy system

در اين پژوهش با استفاده از شبكه عصبي و عصبي-فازي ضريب انتقال حرارت در نانوسيالات جاري در يك لوله مدور در رژيم جريان آشفته مدلسازي و پيش‌بيني شده است. داده‌هاي ورودي به مدل، عدد رينولدز و كسر حجمي نرمال شده نانو‌ذرات و خروجي آن ضريب انتقال حرارت نرمال شده است. در شبكه عصبي استفاده شده مقادير متوسط خطاي نسبي و متوسط مربع خطا نسبت به نتايج آزمايشگاهي به‌ترتيب برابر 002/0 و 0005/0 مي‌باشد، در شبكه عصبي-فازي براي داده‌هاي آموزش اين مقادير خطا به‌ترتيب 0 و 0، و براي داده‌هاي تست 0027/0- و 00067/0 به‌دست آمده است. مقدار ضريب تبيين در شبكه عصبي 99/0 است كه نشان دهنده پيش‌بيني مناسب اين روش مي‌باشد. اين مقدار در روش عصبي-فازي براي داده‌هاي آموزش 1 و براي داده‌هاي تست 988/0 مي‌باشد. براساس اين مقادير مي‌توان نتيجه گرفت استفاده از شبكه عصبي-فازي جهت پيش بيني ضريب انتقال حرارت در نانوسيالات مناسب‌تر است.

In this research, nanofluids heat transfer in a circular tube at turbulent regime were simulated and predicted by neural and neuro-fuzzy networks. Normalized Re numbers and volume fractions were inputs data and normalized heat transfer coefficient was output data. The average relative error and mean square error have been calculated. These values in the neural network are 0.002 and 0.0005, respectively. an‎d for training data of neuro-fuzzy method were 0 and 0, for test data were -0.0027 and 0.00067, respectively. Regression value in neural network was 0.99. This value in neuro-fuzzy method for training data was 1 and testing data was 0.988. According to regression values, neuro-fuzzy method is better than neural network method.