Hibrit nanoakışkanların özgül ısılarının yapay sinir ağları ile tahmin edilmesi

Yıl 2022, Cilt: 37 Sayı: 1, 377 - 388, 10.11.2021

Abdussamet Subası , Kasım Erdem

https://doi.org/10.17341/gazimmfd.880340

Cited By: 1

Öz

Nanoakışkanlı mühendislik sistemlerinin deneysel ve sayısal analizinde nanoakışkanların termofiziksel ve reolojik özelliklerinin yüksek doğrulukla belirlenmesi analiz sonuçlarının hassasiyeti üzerinde kayda değer bir etkiye sahiptir. Bu çalışmada, deiyonize su bazlı CuO + ÇDKNT, MgO + ÇDKNT ve SnO2 + ÇDKNT hibrit nanoakışkanlarının özgül ısılarının tahmin edilmesinde kullanılabilecek Yapay Sinir Ağları (YSA) tabanlı bir tahminleyici geliştirilmesi ve bu tahminleyicinin literatürde yaygın olarak kullanılan korelasyonların yerine kullanılabilme potansiyelinin araştırılması hedeflenmiştir. Çalışmada, literatürde bulunan deiyonize su bazlı CuO + ÇDKNT, MgO + ÇDKNT ve SnO2 + ÇDKNT hibrit nanoakışkanların farklı sıcaklık T (25 – 50 ºC), hacim oranı φ (%0,25 – %1,50) ve partikül çapı dp (20 – 50 nm) için deneysel olarak elde edilmiş özgül ısılarına ait veriler kullanılmıştır. Nöron sayısı, gizli katman sayısı, transfer fonksiyonu, epoch sayısı ve öğrenme oranı gibi eğitim algoritması ve ağa ait hiper parametrelerin optimum değerleri ve çeşitli eğitim algoritmaları arasından ele alınan problem için en iyi sonuç veren eğitim algoritması Bayes optimizasyonu ile belirlenmiştir. Aşırı öğrenmeye karşı önlem olarak k-katlı çapraz doğrulama uygulanmıştır. Çalışma sonucunda elde edilen YSA tabanlı tahminleyici ile klasik korelasyonlara nazaran doğruluk payı daha yüksek bir tahminleme yapılabileceği ve YSA’nın nanoakışkanların özgül ısılarının belirlenmesinde kullanılabilecek güçlü bir araç olduğu sonucuna varılmıştır.

Anahtar Kelimeler

Hibrit nanoakışkan, Özgül ısı, Yapay sinir ağları, Makina öğrenmesi

Kaynakça

• Zyla G., Fall J., Estellé P., The influence of ash content on thermophysical properties of ethylene glycol based graphite/diamonds mixture nanofluids, Diamond and Related Materials, 74, 81-89, 2017.
• Sohel Murshed S.M., Estellé P., A state of the art review on viscosity of nanofluids, Renewable and Sustainable Energy Reviews, 76, 1134-1152, 2017.
• Choi S. U., Eastman J. A., Enhancing thermal conductivity of uids with nanoparticles, 1995 International mechanical engineering congress and exhibition, San Francisco-CA (United States), 12-17 November 1995.
• Minea A.A, Estellé P., Numerical study on CNT nanofluids behavior in laminar pipe flow, Journal of Molecular Liquids, 271, 281-289, 2018.
• Nikulin A., Moit, A.S., Moreira, A.L.N., Murshed S.M.S., Huminic A., Grosu Y., ... & Khliyeva O., Effect of Al2O3 nanoparticles on laminar, transient and turbulent flow of isopropyl alcoho, International Journal of Heat and Mass Transfer, 130, 1032-1044, 2019.
• Shahrul I.M., Mahbubul I.M., Khaleduzzaman S.S., Saidur R., Sabri M.F.M., A comparative review on the specific heat of nanofluids for energy perspective, Renewable and sustainable energy reviews, 38, 88-98, 2014.
• Hemmati-Sarapardeh A., Varamesh A., Husein M.M., Karan K., On the evaluation of the viscosity of nanofluid systems: Modeling and data assessment, Renewable and Sustainable Energy Reviews, 81 (1), 313-329, 2018.
• Riazi H., Murphy T., Webber G.B., Atkin R., Tehrani S.S., Taylor R.A. Specific heat control of nanofluids: A critical review, International Journal of Thermal Sciences, 107, 25-38, 2016.
• Alade I.O., Abd Rahman M.A., Saleh T.A., Predicting the specific heat capacity of alumina/ethylene glycol nanofluids using support vector regression model optimized with Bayesian algorithm, Solar Energy, 183, 74-82, 2019.
• Çolak A.B., Yıldız O., Bayrak M., Tezekici B.S., Experimental study for predicting the specific heat of water based Cu‐Al2O3 hybrid nanofluid using artificial neural network and proposing new correlation, International Journal of Energy Research, 44 (9), 7198-7215, 2020.
• Moldoveanu G.M., Minea A.A., Specific heat experimental tests of simple and hybrid oxide-water nanofluids: proposing new correlation, Journal of Molecular Liquids, 279, 299-305, 2019.
• Satti J.R., Das D.K., Ray D., Specific heat measurements of five different propylene glycol based nanofluids and development of a new correlation, International Journal of Heat and Mass Transfer, 94, 343-353, 2016.
• Pak B.C., Cho Y.I., Hydrodynamic and heat transfer study of dispersed fluids with submicron metallic oxide particles, Experimental Heat Transfer an International Journal, 11 (2), 151-170, 1998.
• Xuan Y., Roetzel W., Conceptions for heat transfer correlation of nanofluids, International Journal of Heat and Mass Transfer, 43 (19), 3701-3707, 2000.
• Vajjha R.S., Das D.K., Specific heat measurement of three nanofluids and development of new correlations, Journal of Heat Transfer, 131 (7), 2009.
• Shahrul I.M., Mahbubul I.M., Khaleduzzaman S.S., Saidur R., Sabri M.F., A comparative review on the specific heat of nanofluids for energy perspective, Renewable and Sustainable Energy Reviews, 38, 88-98, 2014.
• Hassan M.A., Banerjee D., A soft computing approach for estimating the specific heat capacity of molten salt-based nanofluids, Journal of Molecular Liquids, 281, 365-375, 2019.
• Alade I.O., Abd Rahman M.A., Saleh T.A., Modeling and prediction of the specific heat capacity of Al2O3/water nanofluids using hybrid genetic algorithm/support vector regression model, Nano-Structures & Nano-Objects, 17, 103-111, 2019.
• Alade, I.O., Abd Rahman M.A., Bagudu A., Abbas Z., Yaakob Y., Saleh T.A., Development of a predictive model for estimating the specific heat capacity of metallic oxides/ethylene glycol-based nanofluids using support vector regression, Heliyon, 5 (6), 2019.
• Alade I.O., Abd Rahman M.A., Abbas Z, Yaakob Y., Saleh T.A., Application of support vector regression and artificial neural network for prediction of specific heat capacity of aqueous nanofluids of copper oxide, Solar Energy, 197, 485-490, 2020.
• Çolak A.B., An experimental study on the comparative analysis of the effect of the number of data on the error rates of artificial neural networks, International Journal of Energy Research, 45 (1), 478-500, 2021.
• Wciślik, S., A simple economic and heat transfer analysis of the nanoparticles use, Chemical Papers, 71, 2395–2401, 2017.
• Tiwari A.K., Pandya N.S., Shah H., Said Z., Experimental comparison of specific heat capacity of three different metal oxides with MWCNT/water-based hybrid nanofluids: proposing a new correlation, Applied Nanoscience, 1-11, 2020.
• Zendehboudi A., Saidur R., A reliable model to estimate the effective thermal conductivity of nanofluids, Heat and Mass Transfer, 55(2), 397-411, 2019.
• Ramchoun H., Idrissi M.A., Ghanou Y., Ettaouil M., New modeling of multilayer perceptron architecture optimization with regularization: an application to pattern classification, IAENG International Journal of Computer Science, 44(3), 261-269, 2017.
• Öztemel E., Yapay sinir ağlari, Papatya Yayincilik, İstanbul, Türkiye, 2003.
• Alpaydin E., Introduction to machine learning. MIT press, 2020.
• Bengio Y., Goodfellow I., Courville A., Deep learning, MIT press, Massachusetts, U.S.A, 2017.
• Wu J., Chen X.Y., Zhang H., Xiong L.D., Lei H., Deng S.H., Hyperparameter optimization for machine learning models based on Bayesian optimization, Journal of Electronic Science and Technology, 17(1), 26-40, 2019.