مقایسه و پیش بینی داده های آزمایشگاهی راندمان حرارتی مبدل دو لوله ای با نانو سیال اکسید آهن توسط شبکه های عصبی مصنوعی

محورهای موضوعی : انتقال حرارت

محمد اختری ¹ (موسسه غیر انتفاعی فخر رازی)
مجتبی میرزایی ² (موسسه غیر انتفائی انرژی)
داریوش خسروی مهد ³ (کارمند موسسه انرژی)

تاریخ دریافت : 1396/10/09 تاریخ پذیرش : 1396/11/21 تاریخ انتشار : 1397/02/15

کلید واژه: شبکه عصبی مصنوعی, انتقال حرارت, مبدل دو لوله ای,

چکیده مقاله :

در این بررسی راندمان حرارتی مبدل دو لوله ای با نانو سیال آب – Fe3O4 در اعداد رینولدز21000-2000 و کسر های حجمی بین(0.1-0.4% v/v) توسط شبکه عصبی مصنوعی ( ANN ) و همبستگی با استفاده از داده های آزمایشگاهی ارزیابی و پیش بینی شده است . سایز نانوذره اکسید آهن در حدود 20 نانومتر می باشد . عکس برداری SEM از نانو ذرات نیز برای روشن شدن پایداری و همگن بودن سوسپانسیون ارائه شده است . عدد رینولدزو کسرهای حجمی متفاوت نانو سیال اکسید آهن به عنوان داده های آزمایشی برای ANN استفاده شده است . از شبکه عصبی پیش رو با دو لایه و الگوریتم آموزشی پسا انتشار خطا – لونبرگ مارکوارت (BP-LM) برای پیش پارامترهای انتقال حرارت استفاده شد. 70درصد دادها در مجموعه آموزشی و15درصد دادها در مجموعه ارزیابی و مابقی به عنوان داده ای تست در راستای جلوگیری از بیش برازش شبکه و بررسی کارایی نهایی شبکه مورد استفاده قرار گرفت . به علاوه ، بر اساس داده های آزمایشگاهی و استفاده از شبکه عصبی مصنوعی ، داده های پیش بینی شده توسط شبکه های عصبی با نتایج آزمایشگاهی که توسط مبدل حرارتی دو لوله ای اندازه گیری شده همخوانی بسیار خوبی دارد. میزان صحت سنجی کلی توسط مقدار مربع خطا(MSE) و ضریب همبستگی(R2) برای راندمان مبدل حرارتی دو لوله ای به ترتیب 0001/0 و996/0 می باشد که نشان از موفق بودن این پیش بینی می باشد.

چکیده انگلیسی:

In this study, the thermal efficiency of a double-pipe heat exchanger with Fe3O4-water nanofluid in Reynolds numbers between 2000-21000 and volume fractions between (0.1-0.4% v / v) using artificial neural networks and correlation with experimental data has been evaluated and predicted. Iron oxide nanoparticles were about 20 nm in size. SEM photography of nanoparticles is provided to show the stability and homogeneity of suspension. Different Reynolds numbers and volume fractions of iron oxide nanofluid are used as the training data for ANN. A two-layer feed-forward neural network with back-propagation Levenberg-Marquardt learning algorithm (BP-LM) was used for heat transfer pre-parameters. Moreover, 70% of data were used in training set and 15% of data were used in evaluation set and remaining data were used as test data to prevent preprocess of network and to study the final efficacy of the network. In addition, based on the experimental data and the use of artificial neural network, data predicted by the neural network are in good agreement with experimental data measured by the double-pipe heat exchanger. The overall verification by the mean squared error (MSE) and correlation coefficient (R2) for the thermal efficiency of a double-pipe heat exchanger is 0.0001 and 0.996, respectively, indicating that prediction is successful.