Journal of Energy Conversion

fa ارزیابی کارآیی مدل‌های شبکه‌های عصبی مصنوعی برای تخمین و محاسبه ضریب انتقال حرارت هدایتی در نانوسیالات Evaluating the effectiveness of artificial neural network models for estimating and calculating the conductive heat transfer coefficient in nanofluids انتقال حرارت و جرم Heat and Mass Transfer پژوهشي Research <div style="text-align: justify;">در این مقاله سعی شده است، داده‌های مربوط به نانوسیالات با استفاده از مدل‌های هوش مصنوعی توسعه داده شود و مدلی بهینه به جهت تخمین و محاسبه ضریب هدایت حرارتی برای نانوسیالات معرفی شود. لذا داده‌های تجربی آزمایشات مبتنی بر نانوذرات Al2O3، CuO، TiO2، Fe2O3 در سیال پایه آب مقطر برای درصدهای حجمی 0/02 تا 2 در دماهای مختلف اندازه‌گیری شد و به همراه داده‌های کتابخانه‌ای به‌عنوان ورودی مدل‌ها استفاده شد. غلظت نانوسیال، دما، چگالی و ویسکوزیته اطلاعات ورودی به مدل‌ها بودند و پارامتر ضریب هدایت حرارتی نانوسیال خروجی مدل‌ها می‌باشد. در مجموع 268 سری داده به‌عنوان ورودی مدل‌ها تعریف شد، که 70 درصد صرف آموزش و 30 درصد برای صحه‌گذاری استفاده شد. با پنج حالت مختلف شامل شبکه عصبی مصنوعی با تابع فعالسازی ANN-Trainlm، ANN-Trainbr، ANN-Trainscg، شبکه حافظه کوتاه مدت طولانی (LSTM) و رگرسیون بردار پشتیبان (RVS) برای مدل‌سازی بررسی شد. نتایج نشان داد،  LSTM تطابق بسیار مطلوب‌تری با داده‌های تجربی دارد، زیرا مقادیر ارزیابی شامل ضریب رگرسیون (R2)، خطای جذر میانگین مربعات (RSME) و درصد میانگین مطلق خطا (MAPE) به‌ترتیب مقادیر 0/9764، 0/0313 و 0/0819 را به خود اختصاص دادند.   </div> <div style="padding: 0in 0in 1pt; text-align: justify; border-bottom-color: windowtext; border-bottom-width: 1pt; border-bottom-style: solid;">In this article, it has been tried to develop the data related to nanofluids using artificial intelligence models and introduce an optimal model to estimate and calculate the coefficient of thermal conductivity for nanofluids. Therefore, the experimental data of experiments based on Al2O3, CuO, TiO2, Fe2O3 nanoparticles in the base fluid of distilled water for volume percentages of 0.2 to 2 were measured at different temperatures and were used as input to the models along with library data. The type of nanoparticle, temperature, density and viscosity were the input data to the models, and the thermal conductivity parameter of the nanofluid is the output of the models. A total of 268 data series were defined as input to the models, 70% of which were used for training and 30% for testing. It was investigated with five different modes including artificial neural network with activation function ANN-Trainlm, ANN-Trainbr, ANN-Trainscg, long short term memory network (LSTM) and support vector regression (RVS) for modeling. The results showed that LSTM has a much better match with the experimental data, because the values of regression coefficient (R2), root mean square error (RSME) and mean absolute percentage error (MAPE) values are 0.9764, 0.0313 and 0.0819, respectively.</div> نانوسیال, شبکه عصبی مصنوعی, ضریب هدایت حرارتی, مدل‌سازی Nanofluid, artificial neural network, thermal conductivity coefficient, modeling 69 86 http://jeed.dezful.iau.ir/browse.php?a_code=A-10-383-1&slc_lang=fa&sid=1 Hasan Amirahmadi حسن امیراحمدی hasan.amirahmadi@srbiau.ac.ir 10031947532846005353 10031947532846005353 Yes Department of Mechanical Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran گروه مهندسی مکانیک، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران Mohammadhasan Nobakhti محمدحسن نوبختی m.nobakhti@srbiau.ac.ir 10031947532846005354 10031947532846005354 No Department of Mechanical Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran گروه مهندسی مکانیک، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران GholamReza Salehi غلامرضا صالحی rezasalehi20@gmail.com 10031947532846005355 10031947532846005355 No Department of Mechanical Engineering, Centeral Tehran Branch, Islamic Azad University, Tehran, Iran گروه مهندسی مکانیک، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران