پيش بيني ضريب انتقال حرارت در جريان آشفته نانوسيالات مختلف درون لوله هاي دايره اي، با استفاده از شبكه عصبي مصنوعي

Forecasting of Convective Heat Transfer Coefficient in Turbulent Flow of Different Nanofluids in Circular Tubes, Using Artificial Neural Network

هدف اين پژوهش مدلسازي انتقال حرارت جابجايي نانوسيالات در جريان آشفته داخل يك لوله دايرهاي با شرايط مرزي دما ثابت و شار حرارتي ثابت است. اين مدلسازي با روش شبكه عصبي مصنوعي انجام شده است. تعداد 610 داده از نتايج مطالعات محققان مختلف جمعآوري شده و براي آموزش شبكه عصبي مورد استفاده قرار گرفته است. نانوذراتي كه در اين پژوهش مورد بررسي قرار گرفته اند عبارتند از Al2O3، TiO2، Graphene، SiC، CuO، SiO2، Fe3O4 و Cu كه سيال پايه در تمام اين موارد آب است. اين شبكه داراي شش ورودي است كه عبارتند از چگالي نانوذره، اندازه نانوذره، غلظت نانوذره، عدد رينولدز جريان، نوع شرايط مرزي شار-ثابت يا دما-ثابت و با توجه به نوع مسئله مقدار شار ثابت ديواره يا دماي ثابت آن است. همچنين، خروجي شبكه عصبي طراحي شده عدد ناسلت جريان نانوسيال است. از مقايسه نتايج اين مدل شبكه عصبي با نتايج پژوهشهاي گذشته مشاهده ميشود كه مدل شبكه عصبي پيشنهاد شده تطابق بسيار خوبي با نتايج حاصل از پژوهشهاي آنها دارد. در اين پژوهش، براي انتخاب پيكربندي مناسب شبكه عصبي، 400 پيكربندي مختلف مورد بررسي قرار گرفت كه از ميان آنها شبكه عصبي با بالاترين ميزان دقت تخمين و با0/9998=R2 انتخاب شد.

Modeling of turbulent convective heat transfer of nanofluids in circular tubes with constant temperature and constant heat flux boundary condition have been performed using artificial neural network. 610 sets of data have been gathered using previous investigations and have been used to train neural network (ANN). The investigated nanoparticles are: TiO2,Graphene, SiC, CuO, SiO2,Fe3O4,and Cu. The base fluid for all these nanofluids is water. The neural networkused has 6 inputs, which includes: nanoparticle density, nanoparticle size, nanoparticle volume fraction, flow Re number, type of boundary condition (constant heat flux or constant temperature) and the amount o f heat flux or temperature related to these boundary conditions. Also, the output of neural network is Nusselt number. Comparing ourresults with previous investigation, showed that the proposed ANN topology are in good agreement. In this study, the proposed topology of R2=0.9998 have been choosen between 400 examined ones.