view in publisher's site

Prediction of the pressure drop for CuO/(Ethylene glycol-water) nanofluid flows in the car radiator by means of Artificial Neural Networks analysis integrated with genetic algorithm

Highlights•Investigation of Pressure drop of nanofluid flow in a car radiator.•Different neural networks developed by changing the adjustable parameters.•Integration of ANN by genetic algorithm for optimization of parameters.•Neural network has a high accuracy in estimating the pressure drop.AbstractIn this investigation, neural networks were used to predict pressure drop of CuO-based nanofluid in a car radiator. For this purpose, the neural network with the multilayer perceptron structure was used to formulate a model for estimating the pressure drop In this way, different concentrations of copper oxide-based nanofluid were prepared. The base fluid was the mixture of ethylene glycol and pure water (60:40 wt%) which usually used as the cooling fluid in automotive industries. The prepared nanofluid samples were used in a car radiator and the pressure drop of nanofluid flows in the system at different Reynolds were measured. The main purpose of this study was developing the optimized neural networks for predicting the pressure drop of the system with sufficient precision. For the aim of designing the model’s structure, different neural networks were constructed and applied by changing the adjustable parameters (containing the transfer function, training rule, momentum’s amount, hidden layers’ number and the neurons’ number in hidden layer). In each case, the structure with the highest correlation coefficient was chosen as the final model. The selection of each parameters in the neural network model requires repeated tests and errors. So, genetic algorithm was used to optimize these parameters. Additionally, the pressure drop in the radiator of this method was investigated in neural network optimization. The outcomes indicated which a high accuracy in modeling and estimating the pressure drop of nanofluid flows in the studied system can be achieved by the neural network.

پیش‌بینی افت فشار برای نانوسیال آلومینا (اتیلن گلیکول - آب)در رادیاتور اتومبیل با استفاده از آنالیز شبکه‌های عصبی مصنوعی ادغام می‌شود.

نکات مهم بررسی افت فشار جریان نانوسیالات در یک رادیاتور اتومبیل. شبکه‌های عصبی مختلف با تغییر پارامترهای قابل تنظیم توسعه یافتند. ادغام ANN با الگوریتم ژنتیک برای بهینه‌سازی پارامترها. شبکه عصبی دارای دقت بالایی در برآورد فشار drop.Abst در این تحقیق است، شبکه‌های عصبی برای پیش‌بینی افت فشار نانوسیالات بر پایه CuO در یک رادیاتور اتومبیل به کار گرفته شدند. برای این منظور، شبکه عصبی با ساختار چند لایه پرسپترون برای فرموله کردن یک مدل برای تخمین افت فشار در این روش استفاده شد که غلظت‌های مختلفی از نانوسیال مستقر در اکسید مس تهیه شد. سیال پایه مخلوطی از اتیلن گلیکول و آب خالص (۶۰: ۴۰ درصد وزنی)بود که معمولا به عنوان سیال خنک‌کننده در صنایع خودروسازی به کار می‌رفت. نمونه‌های تهیه‌شده از نانوسیال در یک رادیاتور اتومبیل مورد استفاده قرار گرفت و افت فشار نانوسیالات در سیستم در سیستم رینولدز مختلف اندازه‌گیری شد. هدف اصلی این مطالعه توسعه شبکه‌های عصبی بهینه برای پیش‌بینی افت فشار سیستم با دقت کافی بود. به منظور طراحی ساختار مدل، شبکه‌های عصبی مختلف ساخته شدند و با تغییر پارامترهای قابل تنظیم (شامل تابع انتقال، قاعده آموزشی، مقدار مومنتوم، تعداد لایه‌های پنهان)و تعداد نورون‌ها در لایه پنهان اعمال شدند. در هر حالت، ساختار با بالاترین ضریب همبستگی به عنوان مدل نهایی انتخاب شد. انتخاب هر کدام از پارامترها در مدل شبکه عصبی نیازمند آزمایش‌ها و خطاهای مکرر است. بنابراین از الگوریتم ژنتیک برای بهینه‌سازی این پارامترها استفاده شد. همچنین افت فشار در رادیاتور این روش در بهینه‌سازی شبکه عصبی مورد بررسی قرار گرفت. نتایج نشان داد که یک دقت بالا در مدل‌سازی و تخمین افت فشار نانوسیالات در سیستم بررسی شده را می توان از طریق شبکه عصبی بدست آورد.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.