تعیین عدد ناسلت نانوسیال در جریان درون لوله به کمک شبکه های عصبی مصنوعی
Authors
abstract
امروزه استفاده از نانوسیال در تجهیزات انتقال حرارت همچون مبدل های حرارتی بسیار قابل توجه است. لذا پیش بینی رفتار و خواص انتقال حرارت نانوسیال به عنوان یک هدف کاربردی مطرح می باشد. با توجه به هزینه بالای آزمایش های انتقال حرارت، تکرار یک آزمایش برای داده های گوناگون امکان پذیر نیست، لذا پیش بینی نتایج یک آزمایش برای مقادیر مختلف داده های آزمایش نشده مسئله ای پراهمیت است. با توجه به نتایج دقیق به دست آمده از شبکه های عصبی مصنوعی در پیش بینی مقادیر، استفاده از این روش در پیش بینی مقادیر داده های آزمایش نشده، در این مقاله مورد توجه قرار گرفته است. در این روش با در دست داشتن تعداد محدودی از داده های ورودی و خروجی مطلوب آنها، می توان شبکه را به گونه ای آموزش داد که برای محدوده وسیعی از داده های ورودی، خروجی مطلوب را با دقت بسیار خوبی پیش بینی کند. در این مقاله مقادیر تجربی به دست آمده برای عدد ناسلت در جریان آرام و همچنین جریان مغشوش درون لوله، به کمک شبکه های عصبی مختلف مدل سازی شده، در نهایت بهترین شبکه (با حداقل خطای ممکن) جهت پیش بینی مقادیر جدید برای نانوسیال آب - اکسید آلومینیوم مورد استفاده قرار گرفته است. نتایج به دست آمده نشان می دهند که شبکه های عصبی، ابزار مفیدی جهت پیش بینی مقادیر مجهول در محدوده های آزمایش نشده متغیرها با دقت بسیار بالا می باشد.
similar resources
تعیین عدد ناسلت نانوسیال در جریان درون لوله به‌کمک شبکه‌های عصبی مصنوعی
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 به...
full textمدلسازی لوله های انتقال گاز با شبکه های عصبی مصنوعی به منظور تشخیص عیوب آنها
این مقاله معرفی رویکرد جدید برای عیب یابی خطوط لوله انتقال گاز با استفاده از شبکه عصبی مصنوعی به کمک امواج مکانیکی است که این روش بسیار ارزان تر و آسان تر از روش اولتراسوند است. که در حال حاضر مشغول به کارمی باشد. این خطوط معمولا در شرایط محیطی سخت و دور از دسترس و در مسافت های طولانی قرار دارند و استفاده از سیستم های که بصورت آنی و دقیق بتوانند عیب ها و نشتی های این لوله را گزارش دهند حیاتی ...
full textتعیین ضریب بزرگنمایی جوش در اتصالات لوله ای به وسیله شبکه های عصبی مصنوعی
در اتصالات لوله ای جوشی زمانی که عمق ترک خستگی کمتر از 20 درصد ضخامت جدارۀ عضو اصلی است، رشد ترک بیش از هر چیز تحت اثر هندسۀ جوش در اتصال است. از این رو حل اتصال t شکل و ضریب بزرگنمایی جوش (mk) ابزار مناسبی برای محاسبۀ سرعت رشد ترک در این محدوده اند. در این تحقیق توانایی شبکه های عصبی مصنوعی برای تعیین mk در اتصالات t شکل مورد آزمون قرار گرفته است. چهار شبکه از نوع پرسپترون چندلایه (mlp) طراحی ...
full textمعرفی تعریف عدد ناسلت مناسب برای جریان سیال در یک لوله با ماده متخلخل جزئی
در مطالعه ی حاضر به بررسی تحلیلی و عددی اعتبار دو تعریف متداول عدد ناسلت برای انتقال حرارت جابجایی در یک لوله با ماده متخلخل جزئی پرداخته شده است. تعریف اول عدد ناسلت بصورت nu_1 (x)=(2r(∂t/∂r)_(r=r))⁄((t_w-t_m (x)) ) و تعریف دوم عدد ناسلت بصورت nu_2 (x)=(2rq_cond^'')⁄(k_ref (t_w-t_m (x)) ) بیان شده است. در ابتدا عدد ناسلت حاصل از این دو تعریف در آرایش های مختلف ماده متخلخل در یک لوله، بصورت تحل...
full textپیش‌بینی عدد لوژن به کمک شبکهٔ عصبی مصنوعی و مقایسهٔ آن با روش‌های آماری
برآورد ویژگی‌های هیدروژئولوژیکی تودهٔ سنگ و پیش‌بینی میزان جریان آب از بحث‌های حیاتی و جدی در مهندسی سنگ به‌شمار می‌‌رود. از آن‌جا که در تودهٔ سنگ‌های درز و شکاف‌دار ناپیوستگی‌ها مسیرهای اصلی جریان آب را به‌وجود می‌‌آورند، مشخصات آنها تأثیر چشم‌گیری بر آب‌گذری خواهد داشت. با وجود تحقیقات فراوان هنوز روش مناسبی که رابطه مشخصی بین همه پارامترها و میزان آب‌گذری برقرار کند وجود ندارد. امروزه شبکه‌ه...
full textMy Resources
Save resource for easier access later
Journal title:
مهندسی مکانیکجلد ۲۳، شماره ۹۷، صفحات ۵۴-۶۱
Keywords
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023