پیش بینی عملکرد حرارتی نانو سیال Al۲O۳ توسط شبکه عصبی مصنوعی و سیستم استنتاج عصبی-فازی تطبیقی

در سال­های اخیر، استفاده از روش­های مدل­سازی که مستقیما از داده­های تجربی استفاده می­کنند به دلیل دقت بالا در پیش­بینی نتایج فرآیند، به جای روش­های آماری رو به افزایش است. در این مقاله، توانایی مدل­های شبکه عصبی مصنوعی (ANN) و سیستم استنتاج فازی-عصبی تطبیقی (ANFIS) در پیش­بینی عملکرد حرارتی نانوسیال Al۲O۳ که توسط مقاومت حرارتی سنجیده می­شود، بررسی شده است. داده­های آزمایشگاهی از یکی از مقالات معتبر که عملکرد حرارتی نانوسیال Al۲O۳ را درون یک لوله حرارتی نوسانی بررسی کرده بود، استخراج شد. برای مدل­سازی توسط ANN از یک شبکه پرسپترون چندلایه و برای ANFIS از یک مدل فازی سوگنو استفاده شد که هر دو از دقیق­ترین و رایج­ترین روش­های مدل­سازی هستند. مقایسه مقادیر هدف با مقادیر پیش­بینی شده توسط هر دو مدل بسیار رضایت ­بخش بود و ضریب همبستگی برای هر دو بیش از ۹۹/۰ بدست آمد که نشان­دهنده میزان بالای دقت این دو مدل است. در نهایت عملکرد هر دو مدل با هم مقایسه شد که عملکرد هردو بسیار خوب و نزدیک به هم بود، ولی در مجموع ANN نسبت به ANFIS عملکرد بهتری از خود نشان داد.  

Keywords:

Modeling ANN ANFIS thermal resistance nanofluid Al۲O۳. , مدل سازی , ANN , ANFIS , مقاومت حرارتی , نانوسیال , Al۲O۳.