محاسبه ویسکوزیته ی نانولوله کربن و هدایت حرارتی سایر نانوذرات در نانو سیالات با استفاده از شبکه ی عصبی مصنوعی

تئوری نانوسیال اولین بار توسط چویی در سال 1995 ارائه شد و نانوسیالات نوع جدیدی از سیال ها هستند که از پراکندگی نانوذرات جامد در سیال پایه همچون آب، اتیلن گلیکول و روغن موتور ساخته می شوند. در بخش اول کار، از شبکه پس انتشار (bpn) و تجزیه و تحلیل مولفه های اصلی (pca) به منظور پیش بینی ویسکوزیته ی موثر نانولوله کربن استفاده شده است. ویسکوزیته ی سوسپانسیون نانولوله کربن به عنوان تابعی از دما، کسر حجمی نانوذرات، طول موثر نانوذرات و ویسکوزیته ی سیال پایه با استفاده از شبکه ی عصبی مصنوعی معرفی شده است. نتایج به دست آمده توسط مدل bpn-pca حاکی از توافق بسیار خوبی با مقادیر تجربی می باشد. در بخش دوم کار، از شبکه پس انتشار (bpn) و تجزیه و تحلیل مولفه های اصلی (pca) به منظور پیش بینی هدایت حرارتی نانوسیالاتی همچون: al2o3/ (60:40)eg:h2o, al2o3/w, al2o3/ (20:80)eg:w, al2o3/ (50:50)eg:w, zno/ (60:40) eg:w, cuo/ (60:40)eg:w, cuo/w, cuo/ (50:50)eg:w, tio2/w, tio2/ (20:80)eg:w, fe3o4/ (20:80) eg:w, fe3o4/ (60:40) eg:w, fe3o4/ (40:60) eg:w and fe3o4/ w به عنوان تابعی از دما، هدایت حرارتی نانوذرات، کسر حجمی نانوذرات، قطر نانوذرات و هدایت حرارتی سیال پایه استفاده شده است. نتایج به دست آمده از مدل bpn-pca با میانگین خطا 47/1% و ضریب همبستگی 9942/0، توافق خوبی با داده های تجربی دارد.