مقایسه بین روش شبکه عصبی و الگوریتم کاهش گرادیان برای بهینه سازی هدایت حرارتی نانوسیالAl2O3

سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,902

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NICEC14_576

تاریخ نمایه سازی: 3 آذر 1391

چکیده مقاله:

سیالات انتقال حرارت رایج همچون آب، اتیلن گلیکول و روغن موتور دارای هدایت حرارتی پایین تری نسبت به جامدات هستند با مطرح شدن نانو سیال به عنوان محیط جدیدی برای انتقال حرارت، تحقیقات گسترده ایبرای بررسی هدایت حرارتی آن شکل گرفته است. در این مقاله با بررسی پارامترها ی تاثیر گذار بر روی ضریب هدایت حرارتی چون دما، اسیدیته، غلظت و اندازه نانوذره، با استفاده از روش کاهش گرادیان، بیشینه نسبتضریب هدایت حرارتی نانوسیال به سیال پایه بدست آمده و مقادیر عددی این پارامترها تعیین گردیده است. در نهایت 32 % افزایش ضریب هدایت حرارتی نانوسیالAl2O3گزارش شده است . سپس با استفاده از شبکه عصبی مصنوعی مقدار بهینه نسبت هدایت حرارتی به ازای پارامتر های ذکر شده محاسبه شده است . شبکه عصبی مورد نظر دارای دو لایه مخفی می باشد و از الگوریتم یادگیریBP بهره می جوید. با استفاده از این ساختار شبکه عصبی افزایش 42 % برای ضریب هدایت حرارتی نانوسیالAl2O3بدست می آید.

کلیدواژه ها:

نانو سیال ، هدایت حرارتی ، بهینه سازی غیر خطی ، شبکه عصبی

نویسندگان

سیدامیرحسین زمزمیان

عضو هیئت علمی، پژوهشگاه مواد و انرژی، مشکین دشت، کرج

محسن منصوری

کارشناس ارشد انرژی تجدید پذیر، پژوهشگاه مواد و انرژی، ممشکین دشت، کرج

میلاد تاجیک

کارشناس ارشد انرژی تجدید پذیر، پژوهشگاه مواد و انرژی، ممشکین دشت، کرج

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • چهارحهمین _ صهنحسم شیمم ایران 25-27 مهرماه 1391، دانشگاه صنعتی ...
  • J.C. Maxwell, A Treatise _ Electricity and Magnetism, third ed., ...
  • S.U.S. Choi, Enhancing thermal conductivity of fluids with nanoparticles , ...
  • H. Xie, J. Wang, T. Xi, Y. Liu, F. Ai, ...
  • J.A. Eastman, S.R. Phillpot, S.U.S. Choi, P. Keblinski, Thermal transportin ...
  • S.K. Das, N. Putra, P. Thiesen, W. Roetzel, Temperature dependence ...
  • Y. Xuan, Q. Li, W. Hu, Aggregation structure and thermal ...
  • J.A. Eastman, S.U.S. Choi, S. Li, L.J. Thompson, Enhanced thermal ...
  • J.A. Eastman, S.U.S. Choi, S. Li, W. Yu, L.J. Thompson, ...
  • S. Lee, S.U.S. Choi, S. Li, J.A. Eastman, Measuring thermal ...
  • H. Masuda, A. Ebata, K. Teramae, N. Hishinuma, Alteration of ...
  • Y. Hwang, H.S. Park, J.K. Lee and W.H. Jung, Thermal ...
  • Xie, H., Wang, J., Xi, T., and Ai, F., Thermal ...
  • Wang, X., Xu, X., and Choi, S. U. S., Thermal ...
  • Das, S. K., Putra, N., Thiesen, P., and Roetzel, W., ...
  • Yu, Wenhua, France, David M., Routbort, Jules L. and Choi, ...
  • A.O.N. Cladio, G. Reinaldo, G. Robert, Neural network based approach ...
  • Neelakantan, J. Guiver, Applying neural networks, Hydrocarb .Process _ (1998) ...
  • S. Haykin, Neural networks, A C omprehensive Foundation, New Jersey, ...
  • B.V. Rao, H.V. Rao, C++ Neural Network and Fuzzy Logic, ...
  • J.M. Zurada, Introduction to Artificial Neural Systems, second ed., Jaico ...
  • D.W. Patterson, Artificial Neural Network Theory and pplication, Prentice Hall, ...
  • S.A. Kalogirou, Applications of artificial neural networks for energy systems, ...
  • T.Y. Lin, C. Tseng, Optimum design for artificial neural networks: ...
  • Dietz WE, Kiech EL, Ali M. Jet and rocket engine ...
  • Bettocchi R, Pinelli M, Spina PR, Venturini M. Artificial intelligence ...
  • Fast F, Assadi M, De S. Development and multi-utility of ...
  • Lazzaretto A, Toffolo A. Analytical and neural network models for ...
  • N. Chakraborty, S. Chakraborty, P.K. Mukherjee, Adaptive ANN applied to ...
  • نمایش کامل مراجع