تعیین عدد ناسلت نانوسیال در جریان درون لوله به کمک شبکه های عصبی مصنوعی

تعیین عدد ناسلت نانوسیال در جریان درون لوله به‌کمک شبکه‌های عصبی مصنوعی

امروزه استفاده از نانوسیال در تجهیزات انتقال حرارت همچون مبدل‌های حرارتی بسیار قابل توجه است. لذا پیش‌بینی رفتار و خواص انتقال حرارت نانوسیال به‌عنوان یک هدف کاربردی مطرح می‌باشد. با توجه به هزینة بالای آزمایش‌های انتقال حرارت، تکرار یک آزمایش برای داده‌های گوناگون امکان‌پذیر نیست، لذا پیش‌بینی نتایج یک آزمایش برای مقادیر مختلف داده‌های آزمایش‌نشده مسئله‌ای پراهمیت است. با توجه به نتایج دقیق به...

مدلسازی لوله های انتقال گاز با شبکه های عصبی مصنوعی به منظور تشخیص عیوب آنها

این مقاله معرفی  رویکرد جدید برای عیب یابی خطوط لوله انتقال گاز با استفاده از شبکه عصبی مصنوعی به کمک امواج مکانیکی است که این روش بسیار ارزان تر و آسان تر از روش اولتراسوند است. که در حال حاضر مشغول به کارمی باشد. این خطوط معمولا در شرایط محیطی سخت و دور از دسترس و در مسافت های طولانی قرار دارند و استفاده از سیستم های که بصورت آنی و دقیق بتوانند عیب ها و نشتی های این لوله را گزارش دهند حیاتی  ...

تعیین ضریب بزرگنمایی جوش در اتصالات لوله ای به وسیله شبکه های عصبی مصنوعی

در اتصالات لوله ای جوشی زمانی که عمق ترک خستگی کمتر از 20 درصد ضخامت جدارۀ عضو اصلی است، رشد ترک بیش از هر چیز تحت اثر هندسۀ جوش در اتصال است. از این رو حل اتصال t شکل و ضریب بزرگنمایی جوش (mk) ابزار مناسبی برای محاسبۀ سرعت رشد ترک در این محدوده اند. در این تحقیق توانایی شبکه های عصبی مصنوعی برای تعیین mk در اتصالات t شکل مورد آزمون قرار گرفته است. چهار شبکه از نوع پرسپترون چندلایه (mlp) طراحی ...

معرفی تعریف عدد ناسلت مناسب برای جریان سیال در یک لوله با ماده متخلخل جزئی

در مطالعه ی حاضر به بررسی تحلیلی و عددی اعتبار دو تعریف متداول عدد ناسلت برای انتقال حرارت جابجایی در یک لوله با ماده متخلخل جزئی پرداخته شده است. تعریف اول عدد ناسلت بصورت nu_1 (x)=(2r(∂t/∂r)_(r=r))⁄((t_w-t_m (x)) ) و تعریف دوم عدد ناسلت بصورت nu_2 (x)=(2rq_cond^'')⁄(k_ref (t_w-t_m (x)) ) بیان شده است. در ابتدا عدد ناسلت حاصل از این دو تعریف در آرایش های مختلف ماده متخلخل در یک لوله، بصورت تحل...

انتخاب نمودارهای بهینه در پیش بینی اشباع و تخلخل به کمک شبکه های عصبی مصنوعی

پیش‌بینی عدد لوژن به کمک شبکهٔ عصبی مصنوعی و مقایسهٔ آن با روش‌های آماری

برآورد ویژگی‌های هیدروژئولوژیکی تودهٔ سنگ و پیش‌بینی میزان جریان آب از بحث‌های حیاتی و جدی در مهندسی سنگ به‌شمار می‌‌رود. از آن‌جا که در تودهٔ سنگ‌های درز و شکاف‌دار ناپیوستگی‌ها مسیرهای اصلی جریان آب را به‌وجود می‌‌آورند، مشخصات آن‌ها تأثیر چشم‌گیری بر آب‌گذری خواهد داشت. با وجود تحقیقات فراوان هنوز روش مناسبی که رابطه مشخصی بین همه پارامترها و میزان ‌آب‌گذری برقرار کند وجود ندارد. امروزه شبکه‌ه...