استفاده از شبکه‌های عصبی مصنوعی (‏ANN ها)‏برای پیش‌بینی هدایت گرمایی نانو سیال نیوتنی ترکیبی روی نقره (‏۵۰%-۵۰%)‏/ آب

در این مطالعه، پس از تولید داده‌های تجربی از نانوسیال روی اکسید نقره (‏ZnO)‏(‏۵۰ %)‏/ آب، الگوریتمی برای محاسبه بهترین تعداد نورون در شبکه عصبی مصنوعی (‏ANN)‏پیشنهاد شده‌است و عملکرد و ضریب همبستگی ANN محاسبه شده‌است. سپس، با استفاده از روش برازش، یک سطح بر داده‌های تجربی منطبق می‌شود، و ضریب همبستگی و عملکرد این روش محاسبه شده‌است. در نهایت مقادیر مطلق خطاها در هر دو روش مقایسه شده‌اند. می توان دید که بهترین عدد نورون در لایه پنهان ۷ نورون است. ما نتیجه گرفتیم که هر دو روش می‌توانند رفتار نانوسیال را پیش‌بینی کنند اما روش برازش خطاهای کمتری دارد. همچنین روش ANN توانایی بهتری در پیش‌بینی هدایت گرمایی نانوسیال براساس کسر حجمی نانوذرات و دما دارد. در نهایت، ما متوجه شدیم که در ANN، تمام خروجی‌ها، حداکثر قدر مطلق خطا ۰.۰۰۹۵ و عملکرد دنباله ۱.۶۶۸۴ – ۰۵ است.

In this study, after generating experimental data points of Zinc Oxide (ZnO)–Silver (Ag) (50%–۵۰%)/Water nanofluid, an algorithm is proposed to calculate the best neuron number in the Artificial Neural Network (ANN), and the performance and correlation coefficient for ANN has been calculated. Then, using the fitting method, a surface is fitted on the experimental data, and the correlation coefficient and performance of this method have been calculated. Finally, the absolute values of errors in both methods have been compared. It can be seen that the best neuron number in the hidden layer is 7 neurons. We concluded that both methods could predict the behavior of nanofluid, but the fitting method had smaller errors. Also, the ANN method had better ability in predicting the thermal conductivity of nanofluid based on the volume fraction of nanoparticles and temperature. Finally, we found that, in ANN, all outputs, the maximum absolute value of error is 0.0095, and the train performance is