ارائه روشی جدید جهت حل مسائل انتقال گرمای وارون غیرخطی به کمک روش رگرسیون خوشه‌ای

در این مقاله، روش جدیدی برای حل مسائل وارون گرمایی با استفاده از روش رگرسیون خوشه‌ای معرفی شده است. به‌منظور ارزیابی کارایی این روش در حل مسائل وارون گرمایی غیرخطی، دو مطالعه موردی در این مقاله انجام شده است که اولی تخمین ضریب انتقال گرمای همرفت آزاد یک میله مسی افقی و دومی تخمین ضریب انتقال گرمای یک میله کونچ شده در سیال با استفاده از تاریخچه دمایی میله هستند. برای تولید داده‌های ورودی از معادلات حل مستقیم انتقال گرمای میله و معادله تجربی چرچیل-چو استفاده و جهت آزمودن حساسیت روش به خطای تصادفی داده‌های ورودی، نویز مصنوعی با توزیع نرمال به نتایج دمای حل مستقیم اضافه شده است. نتایج روش رگرسیون خوشه‌ای با نتایج روش تخمین تابع متوالی و شبکه عصبی مقایسه شده‌اند. در مورد مسئله اول کمترین جذر میانگین مربعات خطای روش رگرسیون خطی، تخمین تابع متوالی و شبکه عصبی به ترتیب برابر 0/0129، 0/1231 و 0/0217 و برای مسئله دوم مقادیر 8/844، 54/09 و 71/634 بدست آمد.  روش حاضر پتانسیل استفاده در حل مسائل وارون گرمایی با کمترین خطا و  به‌صورت برخط را دارد.

a new method to solve non-linear inverse heat transfer problems using regression tree method

in this paper, a new method is introduced to solve the inverse problems based on the repression tree (rt). to investigate the method’s efficiency to handle the nonlinear inverse heat transfer problems, two case study problems are done in this paper; first oneis estimation of the free convection heat transfer coefficient of a horizontal copper cylinder and the second is estimation of the heat transfer coefficient in the surface of a quenched copper cylinder in a fluid using the cylinder temperature history. the input datawere produced by solving the direct heat transfer equations of the cylinder and churchill-chu imperial correlation and to test the method’s sensitivity to the random errors in input data, an artificial noise with normal distribution was added to the temperatureresults of the direct solution. the regression tree’s results were also compared with the sequential function specification (sfs) and the artificial neural network (ann) methods. for the first case study problem, the root-mean-square error (rmse) of rt, sfs, andann methods are 0.0129, 0.1231 and 0.0217, respectively, and for the second problem 8.844, 54.09 and 71.634 are the rmse values. the comparison shows that the presented method has a good potential to solve the nonlinear inverse heat transfer problemswith low error and time lag to online estimate the unknown parameter.