مدل‌سازي رسانندگي حرارتي نانوسيال‌هاي حاوي نانولوله‌هاي كربني بر پايه اتيلن گليكول با استفاده از شبكه عصبي پرسپترون چند لايه‌اي

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

در تحقيق قبلي انجام شده [1]، نانوسيال‌ها با استفاده از نانولوله‌هاي كربني اوليه و نانولوله‌هاي كربني عامل‌دار با زمان‌هاي رفلاكس يك، دو و چهار ساعت و غلظت‌هاي 1/0، 25/0 و 5/0 درصد حجمي تهيه و رسانندگي حرارتي آن‌ها در دماهاي 20، 30، 40 و 50 درجه‌ي سانتي‌گراد اندازه‌گيري شد. به دليل پرهزينه و زمان‌بر بودن كارهاي تجربي، معمولاً امكان بررسي گسترده آن‌ها وجود ندارد. يكي از بهترين روش‌ها براي بررسي كم‌هزينه و گسترده‌ي كارهاي تجربي، استفاده از روش‌هاي مدل‌سازي است. از جمله اين روش‌ها، روش شبكه‌هاي عصبي مصنوعي است كه از مدل‌هاي اوليه‌ي فرآيندهاي حسي مغز الهام مي گيرد. با استفاده از شبكه‌هاي عصبي مصنوعي مي‌توان آزمايشگاهي مجازي طراحي و نتايج را براي شرايط مشابه كه به صورت تجربي اندازه‌گيري نشده‌اند، پيش‌بيني نمود. در اين تحقيق، جهت طراحي آزمايشگاه مجازي و مدل‌سازي داده‌هاي تجربي شامل نتايج اندازه‌گيري رسانندگي حرارتي نانوسيال‌هاي حاوي نانولوله‌هاي كربني بر پايه اتيلن گليكول از شبكه عصبي پرسپترون چند لايه‌اي(MLP) استفاده گرديد. جهت رسيدن به حداقل خطا، شبكه‌هاي عصبي با تعداد لايه‌هاي مخفي متفاوت (1، 2 و 3 لايه) و تعداد نرون‌هاي متفاوت در هر لايه (2، 3، 4، 5، 6، 10 و 15 نرون) مورد برررسي قرار گرفتند. كمترين درصد خطا كه 5/6 % بود براي شبكه عصبي شامل دو لايه مخفي كه لايه اول داراي 3 نرون و لايه دوم داراي 2 نرون بود، بدست آمد. سپس از اين شبكه جهت پيش‌بيني نتايج در شرايط نزديك به شرايط آزمايش، استفاده شد و مشاهده گرديد كه نتايج پيش‌بيني شده با نتايج تجربي بدست آمده، سازگاري دارند.

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.