بخشی از مقاله
چکیده
در دهه گذشته، حجم چشمگیری از تحقیقات بهصورت تئوری و تجربی به بررسی رفتارهای نانوسیالات اختصاص یافته است. تحقیقات اولیه بر اندازهگیری هدایت حرارتی نانوسیالات بهعنوان تابعی از غلظت، دما و اندازه ذرات تمرکز کردهاند. یکی از روشهای بررسی تئوری انتقال حرارت نانوسیالات، پیشبینی ضریب انتقال حرارت توسط شبکه عصبی- فازی است.
طبق مطالعات انجام شده این روش برای کاهش صرف زمان و هزینه مناسب است و نتایج قابل قبولی را ارئه میدهد. در این مقاله نیز بهمنظور پیشبینی ضریب انتقال حرارت نانوسیالات رقیق -AL2O3/H2O ، از شبکه عصبی-فازی استفاده شده است. ورودیهای این شبکه، عدد رینولدز و کسر حجمی نانوذرات و خروجی ضریب انتقال حرارت میباشد. باتوجه به نتایجی که از پیشبینی ضریب انتقال حرارت بهدست آمده است، با مقادیر تجربی مطابقت دارد. برای مثال متوسط خطای نسبی برای دادههای آموزش صفر و دادههای تست برابر -0.0027 میباشد.
-1 مقدمه
علم نانو، مطالعه پدیدهها و یا ایجاد تغییرات در مواد در سطح اتم، مولکول و اندازههای بزرگ میباشد، که خواص آن ها با خواص مقیاسهای بزرگ متفاوت است. مقیاس نانومتر معمولا از 1 تا 100 نانومتر تعریف میشود. یک نانومتر یک بیلیونیوم متر است . - 10-9 m - درنتیجه علم نانو و نانوتکنولوژی با مجموعهای از اتمها با حداقل اندازه یک نانومتر تعریف میشوند.[1] در سال 1995، چوی از آزمایشگاه آرگن با موفقیت با استفاده از نانوذرات مس، نانوسیال تولید کرد. پس از ایجاد نقطه عطف در تاریخ علم نانو، نانوسیالات توجه تعداد زیادی از محققان جهان را به خود جلب کردند.[7]
نانوسیالات در کنار همه خواصی که دارند، بهدلیل هدایت گرمایی بالا مشهور شدهاند و بهترین مواد برای انتقال حرارت هستند. دو نوع نانوسیال وجود دارد، مانند نانوسیالات فلزی و نانوسیالات غیرفلزی. نانوسیالات فلزی از طریق توزیع نانوذرات ساخته شده از فلزات مانند آلومینیوم، مس، نیکل و غیره تهیه میشوند و نانوسیالات غیر فلزی توسط توزیع نانوذرات غیرفلزی مانند اکسیدهای فلزی و آلئوتروپهای مختلف کربن - گرفن، - CNT ساخته میشوند[7]
ایستمن و همکاران هدایت حرارتی نانوسیالات حاوی نانوذرات Al2O3، CuO و Cu با دو سیال پایه آب و روغن HE-200 اندازهگیری کردهاند. نتایج 60% افزایش در هدایت حرارتی را برای غلظت حجمی 5% نشان دادهاند. همچنین نانوذرات مس نسبت به اکسید مس بهبود بیشتری را ارائه دادهاند.[10] لی و همکاران، با استفاده از نانوذرات Al2O3 و CuO در سیالات پایه آب و اتیلن گلایگل، افزایش 20% هدایت حرارتی را در کسر حجمی 4% مشاهده کردند.[5] افزایش هدایت حرارتی نانوسیال آهن-اتیلن گلایگل با کسر حجمی 0.55%، توسط هانگ و همکاران حدود 18% گزارش شده است.[6]
کومار داس و همکاران، از نانوسیال کربن چند دیواره-روغن موتور با کسر حجمی 1% بهعنوان خنک کننده و کاربردهای مشابه استفاده کردند و حداکثر افزایش انتقال حرارت نسبت به سیال پایه تقریبا 160% گزارش دادند.[11] انتقال حرارت در نانوسیالات Al2O3/TiO2/H2O با شرایط دمای دیواره ثابت و رژیم جریان آشفته، توسط نصیری و همکاران مورد مطالعه قرار گرفت. در این آزمایش از سه لوله هم مرکز استفاده شد. که نانوسیال در فضای بین لوله داخلی و میانی جریان مییابد.
آنها نتیجه گرفتند که ضریب انتقال حرارت نانوسیال نسبت به سیال پایه 26.8% بیشتر است.[12] لی و همکاران و همچنین وانگ و همکاران، تاثیر کسر حجمیهای مختلف نانوذرات اکسید مس - 24-23 nm - بر هدایت حرارتی را بررسی کردند. نتایج حاصل نشان دادند هدایت حرارتی با افزایش کسر حجمی نانوذرات بهصورت خطی افزایش مییابد. برای مثال در کسر حجمی 10% افزایش نسبت هدایت حرارتی برابر 34% گزارش شده است.[5][10]
انفیس شبکه استنباطی است که از ترکیب شبکه عصبی و منطق فازی تشکیل شده است، و راه حل مناسبی برای مسائل غیر خطی و پیچیده میباشد.[15] از سوی دیگر، سیستمهای فازی با بهرهگیری از مجموعه قوانین فازی اگر-آنگاه میتوانند جنبههای کیفی دانش انسان و فرآیندهای استدلالی را بدون کاربرد آنالیز کمی مدل کنند[9] کرمی و همکاران، جابجایی آزاد آرام از مجموعه سیلندرهای همدمای افقی در ردیفهای عمودی و شیبدار با استفاده از ANFIS پیشبینی کردهاند. تاثیرات عدد رایلی، فواصل جدایی عمودی و افقی روی متوسط انتقال حرارت توسط این پیشبینی در نظر گرفته میشود.
در ردیفهای عمودی، با افزایش فاصله جدایش عمودی و نسبت فاصله افقی، انتقال حرارت نیز افزایش مییابد.[4] شنبدی و همکاران با مطالعه نانوسیال MWCNT در آب به این نتیجه رسیدند که مقاومت گرمایی با افزایش توان ورودی، کاهش مییابد و همچنین در توان ثابت، افزایش غلظت مقاومت گرمایی را تغییر نمیدهد. آنها این بررسی را از طریق انفیس انجام دادند.[13]
امین الساداتی و همکارانش جابجایی ترکیبی آرام در حفره دو لبه پر شده از نانوسیال -Al2O3آب را مورد بررسی قرار دادند. در این مطالعه، تاثیرات عدد ریچاردسون بین 0.01 تا 100، کسر حجمی جامد بین 0.01 تا 0.04 و نسبت ابعاد حفره 0.25 تا 4 روی جریان و دما و نرخ انتقال حرارت بررسی میشود. تحلیلها برای آب خالص و نانوسیال با نانوذرات Al2O3 با قطر nm 38 انجام شده است. بهدلیل تطابق خوب بین نتایج حاصل از انفیس و دادههای آزمایشگاهی، میتوان از انفیس بهمنظور پیشبینی مقادیر مورد نظر بدون انجام آزمایش استفاده کرد .[2]
شبکه عصبی-فازی از جمله روشهایی است که بهمنظور پیشبینی ضرائب انتقال حرارت میتواند مورد استفاده قرار گیرد. از جمله دلایل بهکار گیری این روش، دقت آن در پیشبینی مقادیر میباشد. در این مقاله بهمنظور بررسی انتقال حرارت نانوسیالات - AL2O3/H2O که دادههای تجربی مربوط به آنها در کار انجام شده توسط فوتوکیان و اصفهانی ارائه شده است، از شبکه عصبی-فازی استفاده شده است.
-2 بیان مساله
قسمتهای گستردهای از فرآیندهای صنعتی شامل انتقال انرژی حرارتی هستند. افزایش گرمایش و سرمایش در فرآیندهای صنعتی باعث صرفه جویی در انرژی، کاهش زمان فرآیند، افزایش نرخ گرما و طول عمر تجهیزات میشود.[8] روشهای متعددی برای گسترش بازده انتقال حرارت وجود دارد. برخی روشها استفاده از سطوح گسترده، کاربرد لرزش سطوح انتقال حرارت و استفاده از میکروکانالها هستند. بازده حرارتی را میتوان توسط ارتقاء هدایت حرارتی سیال کار افزایش داد. در دو دهه گذشته نانوسیالات بهمنظور پیشرفت انتقال حرارت سیالات در نظر گرفته شدهاند.[8]
فوتوکیان و اصفهانی بهمنظور بررسی ضریب انتقال حرارت نانوسیالات -Al2O3/H2O3 ، از تجهیزات نشان داده شده در شکل - 1 - استفاده شده است. بخش تست این تجهیزات شامل، لوله مستقیم مسی با قطر داخلی 5mm و ضخامت 0.5mm است، که اطراف آن لوله ضد زنگ با قطر خارجی 32mm قرار دارد. در حین اینکه نانوسیال در لوله داخلی جاری است، بخار اشباع وارد فاصله بین دو لوله میشود. بخش تست توسط فیبر شیشهای عایق گرمایی شده است.[3] ضریب انتقال حرارت با توجه به تغییرات عدد رینولدز و کسر حجمی نانوسیالات اندازهگیری و دادههای حاصل گزارش شده است. در این مقاله با استفاده از این دادهها و به کمک شبکه عصبی-فازی مدلسازی انجام شده است[3]
-3 بحث و نتیجهگیری
انفیس از دو بخش تشکیل شده است. بخش اول، بخش مقدم و دومی بخش نتیجهگیری است. این دو بخش توسط قوانین فازی با یکدیگر مرتبط میشوند. معماری انفیس در شکل - 2 - مشاهده میشود و از شبکهای با پنج لایه تشکیل شده است. لایه اول فرآیند فازیسازی را انجام میدهد، لایه دوم قسمت and بخش مقدم از قوانین فازی را تشکیل میدهد، لایه سوم توابع عضویت را نرمالسازی میکند، لایه چهارم بخش نتایج قوانین فازی و آخرین لایه خروجی سیستم فازی را از طریق جمع خروجیهای لایه چهارم که فرآیند غیر فازیسازی است، تشکیل میدهد.[14]
در این بررسی دادههای ورودی عدد رینولدز و کسر حجمی است و دادههای خروجی ضریب انتقال حرارت میباشد. دادههای تجربی به دو قسمت دادههای آموزش و دادههای تست تقسیم میشوند. بهمنظور ورود به محیط انفیس، در صفحه command window، anfisedit را وارد کرده و با باز شدن پنجره انفیس، دادهها فراخوانی شدند. در این مطالعه، از سیستم استنتاج فازی سوگنو و الگوریتم ترکیبی شامل پس انتشار و کمترین مربعات خطا، استفاده شده است. نوع و تعداد توابع عضویت از طریق حدس و خطا تعیین میشود.
با تغییر نوع توابع عضویت و تعداد آنها مقدار بهینه در تابع عضویت مثلثی، تعداد [5 5] و تابع عضویت خروجی خطی بهدست آمده است. بهمنظور بیان خطای مقادیر پیشبینی شده توسط شبکه عصبی-فازی از معیارهای آماری رگرسیون - R2 - ، متوسط خطای نسبی - ARE - و متوسط مربعات خطا - MSE - استفاده شده است . مقادیر مناسب برای R2 برابر با یک و MSE و ARE مقادیر نزدیک به صفر میباشند. شکل - 3a, b - ، نمودار رگرسیون مقادیر نرمال تجربی نسبت به مقادیر نرمال پیشبینی شده را نشان میدهد. همانطور که مشاهده میشود مقدار R2 در دادههای آموزش برابر با یک و در دادههای تست برابر با 0.988 میباشد.
