مکانیک مواد پیشرفته و هوشمند
فصلنامه

مدل سازی و بهینه سازی ویسکوزیته نسبی و نسبت هدایت گرمایی نانوسیال هیبریدی MWCNT-Y2O3 پایه آبی با استفاده از شبکه عصبی مصنوعی و بهینه سازی چندهدفه ازدحام ذرات

نوع مقاله : مقاله پژوهشی

نویسندگان

علی مختاریان 1
مجتبی رحیمی 2
محمد هاشمیان 1

1 گروه مهندسی مکانیک، واحد خمینی شهر، دانشگاه آزاد اسلامی، خمینی شهر، ایران

2 گروه مهندسی نفت، واحد خمینی شهر، دانشگاه آزاد اسلامی، خمینی شهر، ایران

https://doi.org/10.66224/masm.5.2.212
چکیده
نانوذرات می‌توانند با ارتقای خواص ترموفیزیکی سیالات پایه منجر به افزایش کارایی آن‌ها بویژه در کاربردهای انتقال حرارت شوند. از این‌رو دستیابی به خواص ترموفیزیکی بهینه نانوسیالات از اهمیت ویژه ای برخوردار است. در این تحقیق، به طراحی و آموزش دو شبکه عصبی مصنوعی (ANN) پیشخور دو لایه جهت پیشگویی ویسکوزیته نسبی و نسبت هدایت گرمایی نانوسیال هیبریدی پایه آبی MWCNT-Y2O3 (با نسبت وزنی نانوذرات 80:20) پرداخته شده است. نمونه نانوسیال های مورد مطالعه، دارای غلظت های حجمی متفاوت (01/0 تا 2/0 درصد) نانو ذرات MWCNT-Y2O3 در سیال پایه بوده و مقادیر ویسکوزیته نسبی و نسبت هدایت گرمایی آنها در دماهای مختلف ˚C25 تا ˚C60) در دسترس بوده است. برای هر ANN طراحی شده به منظور تخمین هر یک از خروجی های ویسکوزیته نسبی و نسبت هدایت گرمایی نانوسیال، نمودارهای رگرسیون متناظر هر دسته از داده های آموزش، اعتبارسنجی و آزمون گویای عملکرد مطلوب شبکه بوده اند. بطوریکه میزان درصدهای خطای نسبی میانگین و بیشینه بدست آمده برای داده‌های آزمون شبکه نظیر خروجی ویسکوزیته نسبی به ترتیب برابر 5120/0 و 5450/2 و نظیر خروجی نسبت هدایت گرمایی به ترتیب برابر 1733/0 و 2874/0 حاصل شده‌اند. هم‌چنین، بر مبنای مدل ایجاد شده یک مسئله بهینه سازی چند هدفه در راستای تعیین همزمان مقادیر کمینه ویسکوزیته نسبی و بیشینه نسبت هدایت گرمایی نانوسیال تعریف شده و با استفاده از روش فرا ابتکاری بهینه سازی چندهدفه ازدحام ذرات (MOPSO) حل شده است و در پی آن مقادیر بهینه توابع هدف و پارامترهای ورودی نظیر و نمودار نقاط بهینه پارتو ترسیم شده است.

کلیدواژه‌ها

نانوسیال هیبریدی
ویسکوزیته نسبی
نسبت هدایت گرمایی
شبکه عصبی مصنوعی
بهینه سازی چند هدفه

عنوان مقاله English

Modeling and Optimization of Relative Viscosity and Thermal Conductivity Ratio of Water-Based MWCNT-Y2O3 Hybrid Nanofluid Using Artificial Neural Network and Multi-Objective Particle Swarm Optimization

نویسندگان English

Ali Mokhtarian 1
Mojtaba Rahimi 2
Mohammad Hashemian 1
1 Department of Mechanical Engineering, Kho.C., Islamic Azad University, Khomeinishahr, Iran
2 Department of Petroleum Engineering, Kho.C., Islamic Azad University, Khomeinishahr, Iran
چکیده English

Nanoparticles can enhance the thermophysical properties of base fluids, leading to increased efficiency, especially in heat transfer applications. Therefore, achieving optimized thermophysical properties of nanofluids is of particular importance. In this study, two multilayer feedforward artificial neural networks (ANN) were designed and trained to predict the relative viscosity and thermal conductivity ratio of a water-based hybrid nanofluid MWCNT-Y2O3 (with a nanoparticle weight ratio of 80:20). The nanofluid samples studied contained varying volume concentrations of MWCNT-Y2O3 nanoparticles (from 0.01 to 0.2 percent) in the base fluid. Experimental data for relative viscosity and thermal conductivity ratio at different temperatures (from 25°C to 60°C) were available. For each ANN designed to estimate either the relative viscosity or the thermal conductivity ratio outputs, regression plots corresponding to the training, validation, and testing data sets demonstrated the networks' excellent performance. The mean and maximum relative percentage errors obtained for the testing data were as follows: for relative viscosity output, 0.5120% mean error and 2.5450% maximum error; for thermal conductivity ratio output, 0.1733% mean error and 0.2874% maximum error. Moreover, based on the developed model, a multi-objective optimization problem was formulated to simultaneously determine the minimum relative viscosity and maximum thermal conductivity ratio of the nanofluid. This problem was solved using the multi-objective particle swarm optimization (MOPSO) metaheuristic method. Consequently, the optimal objective function values and input parameters were obtained, and the Pareto optimal points were graphically illustrated.

کلیدواژه‌ها English

Hybrid nanofluid
Relative viscosity
Thermal conductivity ratio
Artificial neural network
Multi-objective optimization
[1] Sarkar J, Ghosh P, Adil A. A review on hybrid nanofluids: recent research, development and applications. Renewable and Sustainable Energy Reviews. 2015;43:164-77.
[2] Wang X-Q, Mujumdar AS. Heat transfer characteristics of nanofluids: a review. International journal of thermal sciences. 2007;46:1-19.
[3] Sundar LS, Sharma KV, Singh MK, Sousa A. Hybrid nanofluids preparation, thermal properties, heat transfer and friction factor–a review. Renewable and Sustainable Energy Reviews. 2017;68:185-98.
[4] Timofeeva EV. Nanofluids for heat transfer–potential and engineering strategies. Two phase flow, phase change and numerical modeling. 2011:435-50.
[5] Al-Oran O, Lezsovits F. Experimental study of thermal conductivity and viscosity of water-based MWCNT-Y2O3 hybrid nanofluid with surfactant. Journal of Engineering Thermophysics. 2022;31:98-110.
[6] Basheer IA, Hajmeer M. Artificial neural networks: fundamentals, computing, design, and application. Journal of microbiological methods. 2000;43:3-31.
[7] Coello CC. Evolutionary multi-objective optimization: a historical view of the field. IEEE computational intelligence magazine. 2006;1:28-36.
[8] Zitzler E, Deb K, Thiele L. Comparison of multiobjective evolutionary algorithms: Empirical results. Evolutionary computation. 2000;8:173-95.
[9] Zadkhast M, Toghraie D, Karimipour A. Developing a new correlation to estimate the thermal conductivity of MWCNT-CuO/water hybrid nanofluid via an experimental investigation. Journal of Thermal Analysis and Calorimetry. 2017;129:859-67.
[10] Yadav D, Kumar R, Singh PK. Experimental investigation on rheology property of MWCNT-Al2O3/water hybrid nanofluid.  AIP Conference Proceedings: AIP Publishing LLC; 2018. p. 020042.
[11] Akhgar A, Toghraie D, Sina N, Afrand M. Developing dissimilar artificial neural networks (ANNs) to prediction the thermal conductivity of MWCNT-TiO2/Water-ethylene glycol hybrid nanofluid. Powder Technology. 2019;355:602-10.
[12] Rostami S, Toghraie D, Shabani B, Sina N, Barnoon P. Measurement of the thermal conductivity of MWCNT-CuO/water hybrid nanofluid using artificial neural networks (ANNs). Journal of Thermal Analysis and Calorimetry. 2021;143:1097-105.
[13] Giwa SO, Sharifpur M, Ahmadi MH, Sohel Murshed S, Meyer JP. Experimental investigation on stability, viscosity, and electrical conductivity of water-based hybrid nanofluid of MWCNT-Fe2O3. Nanomaterials. 2021;11:136.
[14] Wohld J, Beck J, Inman K, Palmer M, Cummings M, Fulmer R, et al. Hybrid nanofluid thermal conductivity and optimization: original approach and background. Nanomaterials. 2022;12:2847.
[15] Hashempour S, Toghraie D, Fazilati MA. Investigation of the thermal characteristics of water-based hybrid and mono nanofluids containing cerium oxide-CuO-MWCNT nanoparticles at various temperatures and volume fraction of nanoparticles and propose a new relationship. Journal of Materials Research and Technology. 2023;26:1276-92.
[16] Malika M, Pargaonkar A, Sonawane SS. Experimental and statistical analysis of MWCNT hybrid nanofluid-based multi-functional drilling fluid. Chemical Papers. 2023;77:6773-84.
[17] Batur Çolak A. Advancing nanofluid technology: Experimental thermal conductivity measurements and accurate predictive models for yttrium oxide-water nanofluid using neural networks and mathematical correlations. Numerical Heat Transfer, Part B: Fundamentals. 2025;86:998-1017.
[18] Hemmat Esfe M, Toghraie D, Sarbaz Karajabad M. Novel accurate correlation for thermal conductivity of hybrid nanofluid containing MgO and MWCNT: experimental investigation. Journal of Thermal Analysis and Calorimetry. 2025:1-10.
[19] Aalikhani R, Toghraie D, Mehmandoust B, Salahshour S. Experimental Investigation and Correlation of Viscosity for MgO–MWCNT–CeO2/Water Hybrid Nanofluid. Results in Engineering. 2025:105295.
[20] Schmidhuber J. Deep learning in neural networks: An overview. Neural networks. 2015;61:85-117.
[21] Coello CAC, Pulido GT, Lechuga MS. Handling multiple objectives with particle swarm optimization. IEEE Transactions on evolutionary computation. 2004;8:256-79.
[22] Coello CAC, Lamont GB, Veldhuizen DAV. Evolutionary algorithms for solving multi-objective problems: Springer, 2007.
[23] Clerc M, Kennedy J. The particle swarm-explosion, stability, and convergence in a multidimensional complex space. IEEE Transactions on evolutionary computation. 2002;6:58-73.
[24] Heris MK. Particle swarm optimization in MATLAB. URL: https://yarpiz com/50/ypea1. 2015.
مکانیک مواد پیشرفته و هوشمند
دوره 5، شماره 2
تابستان 1404
صفحه 212-233

  • تاریخ دریافت 25 مرداد 1404
  • تاریخ بازنگری 23 شهریور 1404
  • تاریخ پذیرش 29 شهریور 1404

صفحه اصلی

راهنمای نویسندگان

ارسال مقاله

تماس با ما