مدل‌سازی گرانروی مخلوط‌های روان کننده و خنک کننده به کمک شبکه عصبی مصنوعی

در این پژوهش از شبکه عصبی مصنوعی (anns) برای پیش‌بینی گرانروی  مخلوط روان کننده و خنک کننده استفاده شده است. دما، فشار، وزن مولکولی، کسر مولی خنک کننده و گرانروی خنک کننده به عنوان متغیرهای ورودی و گرانروی مخلوط روان کننده و خنک کننده به عنوان خروجی  مورد استفاده قرارگرفت. تعداد کل داده های تجربی مورد استفاده در این مطالعه 1053 عدد بود که شبکه عصبی مصنوعی به طورتصادفی با 70% (737 نقطه داده)، 15% (158 نقطه داده) و15% (158 نقطه داده) به ترتیب مورد آموزش ، ارزیابی و آزمون  قرارگرفت. مقدارهای میانگین خطای مطلق برای مجموعه داده‌های آموزش، ارزیابی و آزمون به ترتیب 0.39، 0.48 و 0.49 است. بنابراین مدل  شبکه عصبی مصنوعی مطالعه شده با 15 نرون در لایه میانی همخوانی خوبی با  داده‌های تجربی دارد.

modeling viscosity of refrigerant and lubricant mixtures using artificial neural network (ann)

in this research, artificial neural networks(anns) have been used to predict the viscosity of lubricant/refrigerant mixtures. temperature, pressure, molecular weight, the mole fraction of refrigerant, and viscosity of refrigerant are used as input variables and viscosity of refrigerant + lubricant mixtures is used as a target. the total number of experimental data point of viscosity that used in this study is 1053 that is trained, validated, and tested with random70%(837 data points), 15% (158 data points), and 15% (158 data points), respectively. the results of the aad% for the train, validation and test sets of data are 0.39, 0.48, and 0.49, respectively. therefore, studied ann models with 15 neurons in a hidden layer are in good agreement with experimental data.