مقایسه شبکه عصبی پرسپترون و تابع پایه شعاعی در مدلسازی مبدل حرارتی با کانال مارپیچ مستطیلی

در این تحقیق از شبیه‌سازی دینامیک سیالات محاسباتی برای بررسی تاثیر پارامترهای هندسی کانال‌های مارپیچ مستطیلی بر ضریب انتقال حرارت استفاده شد. دو مدل شبکه عصبی مصنوعی پرسپترون و تابع پایه شعایی برای مدلسازی انتقال حرارت در کانال‌های مارپیچ مستطیلی استفاده شد. ورودی‌های مدل‌ها شامل عدد رینولدز و پارامترهای هندسی کانال و خروجی آن‌ها عدد ناسلت درنظر گرفته شد. 135 داده توسط شبیه‌سازی دینامیک سیالات محاسباتی ایجاد و پس از تایید اعتبار برای آموزش و ارزیابی مدل‌های شبکه عصبی استفاده شد. نتایج حاصل از تحقیق نشان داد که دقت شبکه عصبی پرسپترون کمی بالاتر از تابع پایه شعایی بود و در کل دو مدل قابل‌قبول بودند. با توجه به دقت قابل‌قبول این دو مدل، آن‌ها را می‌توان به‌خوبی در تحقیقات آینده و برنامه‌های کاربردی استفاده کرد. نوآوری اصلی در مقایسه دو روش مختلف برای مدلسازی مبدل حرارتی با کانال مارپیچ مستطیلی و ارائه نتایج برای هر دو روش است. این پژوهش نشان می‌دهد که استفاده از شبکه عصبی پرسپترون و تابع پایه شعاعی می‌تواند در بهبود عملکرد و بهره‌وری مبدل حرارتی موثر باشد. این تحقیق می‌تواند به عنوان راهنمایی برای انتخاب روش مناسب برای مدلسازی مبدل‌های حرارتی مورد استفاده قرار گیرد و به بهبود فناوری‌های مرتبط با این حوزه کمک کند.

comparison of perceptron and radial basis function neural networks in modeling heat exchangers with rectangular helical channels

in this research, computational fluid dynamics method was used to investigate the effect of geometrical parameters of rectangular spiral channels on heat transfer coefficient. two artificial neural networks including perceptron (mlp) and radial basis function (rbf) models were used to model the heat transfer in helical channels. the model inputs included the reynolds number and geometric parameters of the channels, and output was the nusselt number. 135 data were generated by computational fluid dynamics (cfd) simulation and after validation were used for training and evaluation of neural network models. the results of the research showed that the accuracy of mlp was slightly higher than rbf, however, both models were acceptable. due to the high and acceptable accuracy of these two models, they can be well used in future research and applications. in this research, the main innovation is comparing two different methods for modelling the heat exchanger with a rectangular helical channel. this research shows that the use of perceptron neural network and radial basis function can both be effective in improving the performance and efficiency of the heat exchanger. this research can be used as a guide to choose the appropriate method for modeling heat exchangers and help to improve technologies related to this field.