|
|
|
|
بررسی تجربی ضریب هدایت حرارتی نانوسیال ترکیبی آب/اتیلن گلیکول-fe2o3/swnct و بهینه‌سازی آن با استفاده از شبکه‌‌های عصبی و الگوریتم ژنتیک
|
|
|
|
|
|
|
|
نویسنده
|
اسدی‌کیا امیر ,آقا میرجلیلی علی ,نصیری‌زاده نوید ,کارگر شریف‌آباد هادی
|
|
منبع
|
نانو مواد - 1400 - دوره : 13 - شماره : 45 - صفحه:1 -14
|
|
چکیده
|
در این مقاله، ضریب هدایت حرارتی نانوسیال‌های ترکیبی متشکل از نانولوله‌های کربنی تک جداره و نانوذرات آهن ii اکسید در مخلوط آب و اتیلن گلیکول به صورت تجربی بررسی شده است. پارامترهایی نظیر درصد اتیلن گلیکول، مقدار نانولوله کربنی تک جداره، نانوذرات آهن ii اکسید و ph محلول به عنوان پارامترهای موثر بر هدایت حرارتی انتخاب شدند. نتایج بررسی تجربی نشان داد که ضریب هدایت حرارتی همراه با افزایش میزان نانوذرات افزایش یافته و در محیط قلیایی کاهش می‌یابد. همچنین اثر هم‌افزایی افزودن هر دو نانوذره به سیال پایه بر ضریب هدایت حرارتی مورد تایید قرار گرفت. با توجه به وابسته بودن مقدار ضریب هدایت حرارتی از شبکه عصبی و الگوریتم ژنتیک برای پیدا کردن مقادیر بهینه استفاده شد. بهترین آموزش در یک شبکه عصبی دو لایه با تعداد نرون‌های لایه مخفی برابر 6 و نرخ یادگیری اولیه برابر 0.04 حاصل شد که متوسط خطای شبکه عصبی پس از آموزش 8% بدست آمد. با تغییر ضریب جهش از 1% تا 8% در الگوریتم ژنتیک، مقدار جمعیت اولیه مناسب برابر 200 شد. با در نظر گرفتن شرط همگرایی برابر 6-10×1 در تغییرات نسبی بهترین مقدار تابع هدف و مقدار متوسط تابع هدف در جمعیت، ضریب هدایت حرارتی برای نانوسیال ترکیبی با ترکیب اتیلن گلیکول برابر 30.01%، نانولوله کربنی تک جداره برابر 0.998%، نانوذرات آهن ii اکسید برابر 1.99% و ph برابر 2.0018، بیشترین مقدار در مقایسه با نسبت‌های دیگر اجزا داشته است.
|
|
کلیدواژه
|
ضریب هدایت حرارتی، نانوسیال، شبکه‌‌های عصبی، الگوریتم ژنتیک
|
|
آدرس
|
دانشگاه آزاد اسلامی واحد یزد, گروه مهندسی مکانیک, ایران, دانشگاه آزاد اسلامی واحد یزد, گروه مهندسی مکانیک, ایران, دانشگاه آزاد اسلامی واحد یزد, گروه مهندسی نساجی و پلیمر, ایران, دانشگاه آزاد اسلامی واحد سمنان, مرکز تحقیقات انرژی و توسعه پایدار, ایران
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
experimental study of thermal conductivity of water/ethylene glycol-fe2o3/swnct composite nanofluid and its optimization using neural networks and genetic algorithms
|
|
|
|
|
Authors
|
asadikia a. ,agha-mirjalily s.a. ,nasirizadeh n. ,kargarsharifabad h.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|