مدل‌سازي كاهش كشش به‌وسيله نانوسيال سيليكا در خطوط لوله افقي جريان تك فازي آب با روش وايازش بردار پشتيبان بهينه‌شده با الگوريتم ژنتيك و مقايسه نتايج مدل با داده‌هاي تجربي

Modelling of drag reduction of silica nanofluid in single-phase flow of water through horizontal pipelines using support vector regression optimized by genetic algorithm and comparison between the model results and experimental data

در اين پژوهش، براي پيش‌بيني كاهش كشش با نانوسيال در جريان تك فاز آب در لوله‌هاي افقي، يك مدل پيش‌بيني براساس وايازش بردار پشتيبان به‌كارگرفته شد. براي ساخت يك مدل مؤثر وايازش بردار پشتيبان، عامل‌هاي وايازش بردار پشتيبان بايد به دقت تنظيم مي‌شد. ازاين‌رو، يك روش تركيبي، شناخته شده با عنوان وايازش بردار پشتيبان- الگوريتم ژنتيك پيشنهاد شد كه در آن جستجو براي عامل‌هاي بهينه وايازش بردار پشتيبان با الگوريتم ژنتيك انجام مي‌گيرد و پس از آن عامل‌هاي بهينه را براي ايجاد مدل وايازش بردار پشتيبان مي‌پذيرد. مقادير كاهش كشش به‌دست آمده با مدل پيشنهادي در توافق خوبي با داده‌هاي تجربي بود. عملكرد مدل وايازش بردار پشتيبان- الگوريتم ژنتيك با مدل وايازش خطي چندگانه مقايسه شد. مقادير ضريب تعيين 0/9485 و ‌0/874 و مقادير ميانگين مربع خطا ‌0/01177 و 0/01772 به ترتيب بين داده‌هاي تجربي و پيش‌بيني شده با مدل‌هاي وايازش بردار پشتيبان- الگوريتم ژنتيك و وايازش خطي چندگانه به‌دست آمدند. نتايج نشان داد كه مدل وايازش بردار پشتيبان- الگوريتم ژنتيك مي‌تواند به‌عنوان يك روش مؤثر براي پيش‌بيني كاهش كشش به‌كار برده شود.

Drag reduction prediction plays an important role in oil and gas industries. Due to the nonlinearity and instability of drag reduction, the precision of the commonly used conventional methods, including regression analyses, has been limited. A prediction model based on support vector regression (SVR) is presented in this paper to predict drag reduction by nanofluids in single-phase flow of water through horizontal pipes. To construct an effective SVR model, the SVR parameters must be set carefully. This study proposes a hybrid approach, known as support vector regression- genetic algorithm (SVR-GA), which searches for the optimal SVR parameters using GA, and accepts the optimal parameters to create the SVR models. The results indicated that the obtained drag reduction values by the proposed model are in good agreement with the experimental data. The performance of the SVR-GA model was compared with multiple linear regression (MLR). The coefficient of determination (R2) of 0.9485 and 0.8740; mean square error (MSE) of 0.01177 and 0.01772, for experimental and predicted data by SVR-GA and MLR models were obtained, respectively. This result shows that SVR-GA can be applied as an effective approach to predict drag reduction.