Prediction of thermal conductivity of carbon nanotube-EG nanofluid using experimental data by ANN
บทความในวารสาร
ผู้เขียน/บรรณาธิการ
กลุ่มสาขาการวิจัยเชิงกลยุทธ์
ไม่พบข้อมูลที่เกี่ยวข้อง
รายละเอียดสำหรับงานพิมพ์
รายชื่อผู้แต่ง: Esfe M.H., Wongwises S., Rejvani M.
ผู้เผยแพร่: Bentham Science Publishers
ปีที่เผยแพร่ (ค.ศ.): 2017
วารสาร: Current Nanoscience (1573-4137)
Volume number: 13
Issue number: 3
หน้าแรก: 324
หน้าสุดท้าย: 329
จำนวนหน้า: 6
นอก: 1573-4137
eISSN: 1875-6786
ภาษา: English-Great Britain (EN-GB)
ดูในเว็บของวิทยาศาสตร์ | ดูบนเว็บไซต์ของสำนักพิมพ์ | บทความในเว็บของวิทยาศาสตร์
บทคัดย่อ
Background: The artificial neural network has been employed to predict the thermal conductivity of the carbon nanotube–ethylene glycol (CNT-EG) nanofluid based on experimental data. The main aim of this study is to find the best training algorithm for modeling the thermal conductivity of nanofluids. Methods: Different activating functions and two training algorithms have been tested to train the neurons. The architecture of this modeling is the same and consists of one hidden layer with two neurons. The input parameters of the network include 20 data of temperatures (15–55°C) and volume concentrations (2.2–7.8 vol.%), and the output of the network is the thermal conductivity coefficient. Results: The results indicate that the trainbr algorithm with the Elliotsig activating function responses have a higher regression coefficient and a lower mean square error. The results show also that an artificial neural network can estimate the experimental results with high precision in a wide range of temperatures and concentrations of carbon nanotubes. Conclusion: The comparative graph with experimental data and artificial neural network modeling results in terms of temperature for different volume fractions revealed that the neural network can estimate the experimental results with high precision at a wide range of temperatures and concentrations of CNTs. Also, the results indicated that the neural network was not a proper tool for outside of the available data and should be used in the same range in which it was trained. © 2017 Bentham Science Publishers.
คำสำคัญ
CNTs-EG nanofluid, Train algorithm
ติดต่อสอบถามเพิ่มเติมได้ที่