عنوان پایان‌نامه
پیش بینی هدایت حرارتی در نانو سیالات مغناطیسی با استفاده از شبکه های عصبی مصنوعی
- رشته تحصیلی
- مهندسی مکانیک - تبدیل انرژی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 72957;کتابخانه پردیس البرز شماره ثبت: 863;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 72957;کتابخانه پردیس البرز شماره ثبت: 863
- تاریخ دفاع
- ۲۴ بهمن ۱۳۹۴
- دانشجو
- مهدی شهابی پور
- استاد راهنما
- مهدی اشجعی
- چکیده
- با توجه به این واقعیت که هدایت حرارتی نانوسیالات تحت تاثیر پارامترهای زیادی است، ساخت یک مدل دقیق با استفاده از متدهای رایج کار آسانی نیست. به منظور حل این مشکل، با استفاده از روش شبکههای عصبی پیش‌خور چندلایه، دو مدل برای پیش‌بینی هدایت حرارتی نانوسیالات مغناطیسی در این پایان نامه ارائه میشود. مدل اول شامل چهار پارامتر ورودی است و برای پیش‌بینی هدایت حرارتی نانوسیالات مغناطیسی در عدم حضور میدان مغناطیسی استفاده میشود، مدل دیگر شامل سه پارامتر ورودی است و برای برای پیش‌بینی هدایت حرارتی نانوسیالات مغناطیسی در حضور میدان مغناطیسی طراحی میشود. مدل اول شامل پارامترهای درصد حجمی نانوذرات، دما، هدایت حرارتی نانوذرات و هدایت حرارتی سیال پایه است؛ در حالی که در مدل دوم درصدحجمی نانودرات، شدت میدان مغناطیسی و هدایت حرارتی نوذرات به عنوان ورودی شبکه در نظر گرفته میشود. ده نانوسیال مغناطیسی Fe3O4 در آب، CoFe2O4 در آب، NiFe2O4 در آب، Fe2O3 در آب، Fe3O4 در اتیلن گلیکول، Fe2O3در اتیلن گلیکول، CoFe2O4در اتیلن گلیکول، Fe2O3در ترکیب اتیلن گلیکول و آب با نسبت (80/20)، Fe2O3 در ترکیب اتیلن گلیکول و آب با نسبت (?0/?0) و Fe2O3 در ترکیب اتیلن گلیکول و آب با نسبت (?0/?0)، برای ارزیابی شبکه عصبی مورد استفاده قرار می‌گیرد. سه نانوسیال مغناطیسی Fe3O4 در سیال پایه آب، CoFe2O4 در سیال پایه آب و Fe2O3 در آب نیز برای ارزیابی دقت مدل دوم استفاده میشود. مقایسات انجام شده نشان می‌دهد که نتایج پیش‌بینی شبکه عصبی با داده‌های آزمایشگاهی تطابق بسیار خوبی دارد و همچنین در مقایسه با مدل‌های تئوری و تجربی از دقت بسیار بالاتری برخوردار است.
- Abstract
- Due to the fact that the thermal conductivity of nanofluids can be affected by many factors, it is difficult to establish an accurate prediction model using conventional models. To address this problem, a new thermal conductivity prediction approach based on feed-forward neural networks is proposed in this thesis. Two feed-forward neural networks are proposed, one with 4 input variables for prediction of the thermal conductivity of ferrofluids in absence of magnetic field, the other with 3 input variables for prediction the thermal conductivity of water based ferrofluids in presence of magnetic field. First model takes into account the effects of nanoparticle volume concentration, temperature, nanoparticle thermal conductivity and the thermal conductivity of base fluid, while the second model considers the effect of nanoparticle volume concentration, magnetic field intensity and nanoparticle thermal conductivity. Ten different types of ferrofluids, namely Fe3O4-water, Fe2O3-water, CoFe2O4-water, NiFe2O4-water, Fe3O4-Ethylene Glycol, CoFe2O4-Ethylene Glycol, Fe2O3-Ethylene Glycol, Fe2O3-Ethylene Glycol / Water (20/80), Fe2O3- Ethylene Glycol / Water (40/60) and Fe2O3- Ethylene Glycol / Water (60/40), are used to evaluate the effectiveness of the first model. Three different types of ferrofluids, namely Fe3O4-water, Fe2O3-water and CoFe2O4-water, are used to assess the accuracy of the second model. The comparisons illustrate that the predicted thermal conductivity of feed-forward neural networks agree well with the experimental data, which outperforms many existing theoretical models.
