بهینه سازی کلی پارامترهای موثر در ضریب انتقال حرارت جابه جایی نانوسیال به روش ژنتیک الگوریتم

نانوسیالات (سوسپانسیون نانوذرات در سیال پایه) خصوصیات حرارتی فراتری نسبت به سیال پایه اصلی یا سوسپانسیون های ذرات معمولی در سیال از خود نشان می دهند. در تعیین ضریب انتقال حرارت یک نانوسیال علاوه بر پارامترهای موثر در مورد سیال پایه، پارامترهای جدیدی نظیر اندازه، غلظت و خصوصیات فیزیکی و حرارتی نانوذرات نیز دخیل می شوند. به طور کلی، می توان گفت که ناسلت نانوسیال تابعی است از: رینولدز، پرانتل، ضرایب هدایتی نانوذره و سیال پایه، ظرفیت های هدایت حرارتی نانوذره و سیال پایه، درصد حجمی نانوذره، اندازه و شکل نانوذره. تحقیقات و کارهای مختلفی بر روی اثر پارامترهای مختلف بر روی ضریب انتقال حرارت نانوسیالات انجام گرفته است. که از آن جمله می توان به تحقیقات متعدد زینالی هریس و همکارانشان اشاره کرد که در آن ها تغییرات عدد ناسلت و همچنین نسبت افزایش ضریب انتقال حرارت نانوسیال نسبت به همان سیال پایه (آب) را در دماها، رینولدز، پرانتل و ترکیب درصدهای متفاوت نانوذره برای نانوذرات cu، al2o3 و cuo در سیال های پایه آب مورد بررسی قرار گرفته است. نظر به اینکه تا کنون فعالیتی در زمینه بهینه سازی این پارامترها صورت نگرفته است، و همچنین عدم وجود رابطه ای مناسب، در این پروژه ابتدا با استفاده از شبکه عصبی، نتایج عددی بدست آمده از آزمایشات و تحقیقات زینالی هریس و همکارانشان مدل سازی شده، پس از اعتبارسنجی شبکه های ایجاد شده، با استفاده از همین شبکه ها نقاط بهینه موجود در بازه اطلاعات موجود با به کار بردن روش بهینه سازی ژنتیک الگوریتم تعیین شده است. شبکه ها همگی پیشرو، با یک لایه میانی، روش آموزش لون برگ مارکووات بوده و از روش حداقل مجموع مربعات خطا جهت اعتبارسنجی استفاده گردید. علاوه بر این، شبکه های دیگری با استفاده از داده های مربوط به هر سه نانوسیال، با اضافه کردن پارامتر اندازه ذرات نیز آموزش داده شد . شبکه های حاصل نیز در الگوریتم ژنتیک بهینه سازی گردید. مهمترین علت استفاده از شبکه عصبی جهت مدل کردن داده ها و الگوریتم ژنتیک برای بهینه سازی، تعدّد پارامترهای موثر در سیستم و همچنین وجود داده های آزمایشگاهی به جای یک رابطه مناسب می باشد. بدین معنی که به دلیل عدم وجود رابطه ناچار به استفاده از داده های آزمایشگاهی شده و چون در الگوریتم های بهینه سازی نیاز به محاسبه مقدار تابع می باشد، لذا مدل کردن داده ها ضروری گردید. نتایج بهینه سازی مربوط به کیفیت آموزش هشت شبکه جداگانه به همراه مشخصات نقطه بهینه گزارش شد، که به خوبی نشان دهنده آن است که روش های انتخاب شده به طرز بسیار مناسبی پاسخ گوی نیاز این تحقیق می باشند. همچنین برای درک بیشتر مسأله با استفاده از شبکه های آموزش داده شده، تأثیر پارامترهای مختلف در حالت های مختلف بررسی و بوسیله نمودارهایی گزارش گردید.