مدل‌سازی رسانندگی حرارتی نانوسیال‌های حاوی نانولوله‌های کربنی بر پایه اتیلن گلیکول با استفاده از شبکه عصبی پرسپترون چند لایه‌ای

در تحقیق قبلی انجام شده ، نانوسیال‌ها با استفاده از نانولوله‌های کربنی اولیه و نانولوله‌های کربنی عامل‌دار با زمان‌های رفلاکس یک، دو و چهار ساعت و غلظت‌های 0.1، 0.25 و 0.5 درصد حجمی تهیه و رسانندگی حرارتی آن‌ها در دماهای 20، 30، 40 و 50 درجه‌ی سانتی‌گراد اندازه‌گیری شد. به دلیل پرهزینه و زمان‌بر بودن کارهای تجربی، معمولاً امکان بررسی گسترده آن‌ها وجود ندارد. یکی از بهترین روش‌ها برای بررسی کم‌هزینه و گسترده‌ی کارهای تجربی، استفاده از روش‌های مدل‌سازی است. از جمله این روش‌ها، روش شبکه‌های عصبی مصنوعی است که از مدل‌های اولیه‌ی فرآیندهای حسی مغز الهام می گیرد. با استفاده از شبکه‌های عصبی مصنوعی می‌توان آزمایشگاهی مجازی طراحی و نتایج را برای شرایط مشابه که به صورت تجربی اندازه‌گیری نشده‌اند، پیش‌بینی نمود. در این تحقیق، جهت طراحی آزمایشگاه مجازی و مدل‌سازی داده‌های تجربی شامل نتایج اندازه‌گیری رسانندگی حرارتی نانوسیال‌های حاوی نانولوله‌های کربنی بر پایه اتیلن گلیکول از شبکه عصبی پرسپترون چند لایه‌ای(mlp) استفاده گردید. جهت رسیدن به حداقل خطا، شبکه‌های عصبی با تعداد لایه‌های مخفی متفاوت (1، 2 و 3 لایه) و تعداد نرون‌های متفاوت در هر لایه (2، 3، 4، 5، 6، 10 و 15 نرون) مورد برررسی قرار گرفتند. کمترین درصد خطا که 6.5 % بود برای شبکه عصبی شامل دو لایه مخفی که لایه اول دارای 3 نرون و لایه دوم دارای 2 نرون بود، بدست آمد. سپس از این شبکه جهت پیش‌بینی نتایج در شرایط نزدیک به شرایط آزمایش، استفاده شد و مشاهده گردید که نتایج پیش‌بینی شده با نتایج تجربی بدست آمده، سازگاری دارند.

Modeling of thermal conductivity of ethylene glycol nanofluids containing carbon nanotubes by Multilayer Perceptron neural network

In our previous work [1], pristine and functionalized carbon nanotubes with 1, 2 and 4 hours refluxing times and concentrations of 0.1, 0.25 and 0.5 Vol% were used to prepare nanofluids and their thermal conductivity was measured at 20, 30, 40 and 50 °C. Lots of empirical works cannot be done because they are time consuming and costly. One of the best methods for investigation of low cost and wide range of empirical works is using the modeling methods. The artificial neural network model is a method which replicates the initial sensory processes of the brain. It is possible to design a virtual laboratory using artificial neural networks to predict the results for the same conditions even not measured experimentally. In this work, a multilayer perceptron (MLP) neural network was used to design a virtual lab and modeling the experimental data including the thermal conductivity of ethylene glycol nanofluids containing CNTs. In order to achieve a minimum error, neural networks with different hidden layers (1, 2 and 3 layers) and different number of neurons in each layer (2, 3, 4, 5, 6, 10 and 15 neurons) were studied. The minimum error of 6.5% was obtained for the neural network with two hidden layers by 3 neurons in the first layer and 2 neurons in the second one. This network was used to predict the results in the conditions which were closed to experimental conditions and it was observed that the predicted results were in good agreement with the experimental results.