تعیین عدد ناسلت نانوسیال در جریان درون لوله به‌کمک شبکه‌های عصبی مصنوعی

نوع مقاله : علمی ترویجی

نویسندگان

1 دانشجوی کارشناسی ارشد دانشگاه آزاد اسلامی، واحد تهران جنوب

2 عضو هیئت علمی دانشگاه آزاد اسلامی، واحد تهران جنوب

چکیده

امروزه استفاده از نانوسیال در تجهیزات انتقال حرارت همچون مبدل‌های حرارتی بسیار قابل توجه است. لذا پیش‌بینی رفتار و خواص انتقال حرارت نانوسیال به‌عنوان یک هدف کاربردی مطرح می‌باشد. با توجه به هزینة بالای آزمایش‌های انتقال حرارت، تکرار یک آزمایش برای داده‌های گوناگون امکان‌پذیر نیست، لذا پیش‌بینی نتایج یک آزمایش برای مقادیر مختلف داده‌های آزمایش‌نشده مسئله‌ای پراهمیت است. با توجه به نتایج دقیق به‌دست آمده از شبکه‌های عصبی مصنوعی در پیش‌بینی مقادیر، استفاده از این روش در پیش‌بینی مقادیر داده‌های آزمایش‌نشده، در این مقاله مورد توجه قرار گرفته است. در این روش با در دست داشتن تعداد محدودی از داده‌های ورودی و خروجی مطلوب آنها، می‌توان شبکه را به‌گونه‌ای آموزش داد که برای محدودة وسیعی از داده‌های ورودی، خروجی مطلوب را با دقت بسیار خوبی پیش‌بینی کند. در این مقاله مقادیر تجربی به‌دست آمده برای عدد ناسلت در جریان آرام و همچنین جریان مغشوش درون لوله، به‌کمک شبکه‌های عصبی مختلف مدل‌سازی شده، در نهایت بهترین شبکه (با حداقل خطای ممکن) جهت پیش‌بینی مقادیر جدید برای نانوسیال آب - اکسید آلومینیوم مورد استفاده قرار گرفته است. نتایج به‌دست آمده نشان می‌دهند که شبکه‌های عصبی، ابزار مفیدی جهت پیش‌بینی مقادیر مجهول در محدوده‌های آزمایش‌نشده متغیرها با دقت بسیار بالا می‌باشد.

کلیدواژه‌ها


[1] حسینی. شرف‌الدین، نانوسیال و مهندسی انتقال گرما، تهران: انتشارات یزدا، 1388.
[2] Kumar, D., S.U.S., Choi, H.E.Patel. “Heat Transfer in Nanofluids – A Review”, J. Heat Transfer Engineering, Vol. 21, No. 10, pp. 3-19, 2006.
[3] Zeinali Heris. S., S. Gh. Etemad, Nasr Esfahany. “Experimental investigation of oxide nanofluids laminar flow convective heat transfer.” International Communications in Heat and Mass Transfer 33, 529–535, 2006.
[4] Sharma. K.V., L. Syam Sundar, P.K. Sarma. “Estimation of heat transfer coefficient and friction factor in the transition flow with low volume concentration of Al2O3 nanofluid flowing in a circular tube and with twisted tape insert”, International Communications in Heat and Mass Transfer 36 503–507, 2009.
[5] فرج‌اللهی. بنت‌الهدی، سید غلامرضا اعتماد. "انتقال حرارت نانوسیالات در یک مبدل حرارتی پوسته و لوله"، 1389.
[6] منهاج. محد باقر. مبانی شبکه‌های عصبی، تهران: دانشگاه صنعتی امیرکبیر، 1387.
[7] Kasabov, Nikola K., Foundations of Neural Networks, Fuzzy Systems, and Knowledge Engineering, Massachusetts Institute of Technology, 1996.
[8] MATLAB 7.10.0 (R2010a) help, Neural Network Toolbox User's Guide.
[9] Islamoglu. Y., A. Kurt. “Heat transfer analysis using ANNs with experimental data for air flowing in corrugated channels”, International Journal of Heat and Mass Transfer 47, pp. 1361–1365, 2004.
[10] Hayati. M., T. Yousefi, M. Ashjaee, A. Hamidi, Y. Shirvany. “Application of Artificial Neural Networks for Prediction of Natural Convection Heat Transfer.” International Journal of Applied Science, Engineering and Technology 4, 2007, pp. 157-162.
[11] Shokouhmand. H, M. Ghazvini, J. Shabanian. “Performance Analysis of Using Nanofluids in Microchannel Heat Sink in different Flow Regimes and its simulation using Artificial Neural Network”, Proceedings of the World Congress on Engineering 2008, Vol III.
[12] Syam Sundar. L., K.V. Sharma. “Heat transfer enhancements of low volume concentration Al2O3 nanofluid and with longitudinal strip inserts in a circular tube.” International Journal of Heat and Mass Transfer 53, pp. 4280-4286, 2010.