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

Publish Year: 1398
نوع سند: مقاله ژورنالی
زبان: Persian
View: 173

This Paper With 9 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_JME-17-59_001

تاریخ نمایه سازی: 21 اسفند 1399

Abstract:

در تحقیق قبلی انجام شده ]1[، نانوسیال‌ها با استفاده از نانولوله‌های کربنی اولیه و نانولوله‌های کربنی عامل‌دار با زمان‌های رفلاکس یک، دو و چهار ساعت و غلظت‌های 1/0، 25/0 و 5/0 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 5/6 % 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.

Authors

آمنه آهنگرپور

گروه فیزیک، دانشکده علوم، دانشگاه شهید چمران اهواز، اهواز، جمهوری اسلامی ایران.

منصور فربد

گروه فیزیک، دانشکده علوم، دانشگاه شهید چمران اهواز، اهواز، جمهوری اسلامی ایران.

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • [1] A. Ahangarpour, and M. Farbod, "The noble effect of ...
  • [2] A. Krogh, "What are artificial neural networks", Nature Biothechnology, ...
  • [3] N.K. Kasabov, Foundations of neural networks, Fuzzy Systems and ...
  • ]4[ محمود البرزی، آشنایی با شبکه­های عصبی، مؤسسه­ی انتشارات علمی ...
  • [5] S. Berlemont, N. Burrus, D. Lesage, F. Maes, J.B. ...
  • [6] M. Hojjat, S.Gh. Etemad, R. Bagheri and J. Thibault, ...
  • [7] M.M. Papari, F. Yousefi, J. Moghadasi, H. Karimi and ...
  • [8] G.A. Longon, C. Zilio, E. Ceseracciu and M. Reggiani, ...
  • [9] F. Yousefi, H. Karimi and M.M. Papari, "Modeling viscosity ...
  • [10] M. Tajik Jamal-Abadi and A. H. Zamzamian, "Optimization of ...
  • [11] S. Atashrouz, G. Pazuki and Y. Alimoradi, "Estimation of ...
  • [12] E. Ahmadlo and S. Azizi, "Prediction of thermal conductivity ...
  • [13] M. Hemmat Esfe, K. Motahari, E. Sanatizadeh, M. Afranda, ...
  • [14] M. Vafaei, M. Afrand, N. Sina, R. Kalbasi, F. ...
  • [15] M. Hemmat Esfe, M. Bahiraei, M.H. Hajmohammad and M. ...
  • [16] A. Alirezaie, S. Saedodin, M. Hemmat Esfe and S.H. ...
  • [17] M. Hemmat Esfe, H. Rostamian, M.R. Sarlak, M. Rejvani ...
  • ]18[ محمد همت اسفه و سیف الله سعدالدین، "بررسی تجربی ...
  • ]19[ محمد همت اسفه ، مجتبی بیگلری ، سیف الله ...
  • ]20[ مسعود افرند و محمد همت اسفه، "مدل­سازی با استفاده ...
  • [21] M. Farbod, A. Ahangarpour and S.Gh. Etemad, "Stability and ...
  • نمایش کامل مراجع