این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
صفحه اصلی
درباره پایگاه
فهرست سامانه ها
الزامات سامانه ها
فهرست سازمانی
تماس با ما
JCR 2016
جستجوی مقالات
دوشنبه 11 خرداد 1405
مدلسازی در مهندسی
، جلد ۱۶، شماره ۵۳، صفحات ۶-۶
عنوان فارسی
مدلسازی با استفاده از شبکه عصبی مصنوعی جهت پیش بینی هدایت حرارتی نانوسیال نانولوله کربنی چند جداره عامل دار – آب و ارائه رابطه تجربی جدید
چکیده فارسی مقاله
در این مقاله ، بر اساس نتایج آزمایشگاهی، و با استفاده از روش برازش منحنی و شبکه عصبی مصنوعی اثر دما و کسر حجمی نانولولهها بر ضریب هدایت حرارتی نانوسیال نانولوله کربنی چند جداره عامل دار-آب بررسی شد. یک رابطه دقیق به صورت تابعی از کسر حجمی و دما برای پیش بینی ضریب هدایت حرارتی نانوسیال ارائه شد. همچنین شبکه های عصبی مختلفی به منظور مدلسازی ضریب هدایت حرارتی نانوسیال طراحی شد. در این شبکهها دما و کسر حجمی به عنوان متغیرهای ورودی و ضریب هدایت حرارتی به عنوان متغیر خروجی در نظر گرفته شد. شبکه عصبی بهینه با در نظر گرفتن حداقل خطا در پیش بینی ضریب هدایت حرارتی نانوسیال به دست آمد. مقایسهها نشان داد که شبکه عصبی مصنوعی میتواند پیش بینی دقیقتری نسبت به روش برازش منحنی در تخمین ضریب هدایت حرارتی این نانوسیال ارائه کند. همچنین نتایج نشان داد که رابطه تجربی ارائه شده به وسیله روش برازش منحنی دارای دقت قابل قبولی است.
کلیدواژههای فارسی مقاله
عنوان انگلیسی
Artificial neural network modeling for prediction of thermal conductivity of functionalized MWCNTs/water nanofluids and a new empirical correlation
چکیده انگلیسی مقاله
In this paper, based on experimental data, by employing regression method and artificial neural network, the effects of temperature and nanotubes concentration on thermal conductivity of COOH functionalized Multi Walled Carbon Nano Tubes / water was investigated . A very accurate correlation for thermal conductivity ratio was suggested as a function of temperature and solid volume fraction . Artificial neural network modeling was performed. Temperature and solid volume fraction were employed as input variables and thermal conductivity ratio was used as outputs variable. Optimized ANN by considering minimum prediction error was obtained. Comparisons showed that the ANN can more precisely predict the thermal conductivity ratio of COOH functionalized Multi Walled Carbon Nano Tubes/water nanofluids. The results also revealed that the empirical correlation has an acceptable accuracy.Experimental results showed that the thermal conductivity has a direct and reverse relationshipThe existing correlations in literature were unable to predict viscosity data, hence, a new correlation has been proposed.
کلیدواژههای انگلیسی مقاله
نویسندگان مقاله
مسعود افرند |
محمد همت اسفه |
نشانی اینترنتی
فایل مقاله
فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده
fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به:
صفحه اول پایگاه
|
نسخه مرتبط
|
نشریه مرتبط
|
فهرست نشریات