Geri Dön

Nanoakışkanların termofiziksel ve reolojik özelliklerinin yapay sinir ağları ile tahmin edilmesi

Prediction of the thermophysical and rheological properties of nanofluids with artificial neural network

PDF İndir

  1. Tez No: 735206
  2. Yazar: KASIM ERDEM
  3. Danışmanlar: DR. ÖĞR. ÜYESİ ABDUSSAMET SUBAŞI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Makine Mühendisliği, Mechanical Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Isı-Akışkan Bilim Dalı
  13. Sayfa Sayısı: 82

Özet

Nanoakışkanlar, ısı transfer ihtiyacını iyileştirmek amacıyla son yıllarda farklı alanlarda yaygın olarak kullanılmaktadır. Nanoakışkan kullanılan mühendislik sistemlerinin deneysel ve sayısal analizinde nanoakışkanların termofiziksel ve reolojik özelliklerinin yüksek doğrulukla belirlenmesi analiz sonuçlarının hassasiyeti üzerinde kayda değer bir etkiye sahiptir. Dolayısıyla, nanoakışkanları konu edinen gerek deneysel gerek sayısal çalışmalarda incelenen konuya bağlı olarak ısı iletim katsayısı, yoğunluk, viskozite, özgül ısı, yüzey gerilimi ve ıslatma davranışı gibi termofiziksel ve reolojik özelliklerin tamamının veya bir kısmının hassas bir şekilde belirlenmesine ihtiyaç duyulmaktadır. Literatürde, nanoakışkanların farklı sıcaklık ve hacim değerlerinde termofiziksel ve reolojik özelliklerini belirlemeye yönelik ampirik korelasyonlar önerilmiştir. Teknolojideki gelişime paralel olarak, veri bilimi, yapay zekâ ve makine öğrenmesi son zamanlarda hayatımızın çeşitli alanlarında olduğu gibi bilim ve mühendisliğin çeşitli alanlarında da kendine geniş bir yer bulmuştur. Bu tez kapsamında, Yapay Sinir Ağları (YSA) tabanlı bir tahminleyici geliştirilmesi ve bu tahminleyicinin literatürde yaygın olarak kullanılan korelasyonların yerine kullanılabilme potansiyelinin olabildiğince birbirinden farklı tipteki nanoakışkanlar ele alınarak araştırılması hedeflenmiştir. Kapsamlı literatür taraması sonucunda; nanoakışkanların ve hibrit nanoakışkanların yoğunluk ve özgül ısı değerlerini yapay sinir ağı modelleri ile tahmin etmeye yönelik oldukça az sayıda çalışma olduğu, yapay sinir ağlarının performansını etkileyen ağ yapısı ve hiper-parametrelerin genellikle deneme-yanılma yoluyla belirlendiği, aşırı öğrenmeye karşı önlem alınmadığı, çalışmalarda yapay sinir ağlarını eğitmede görece az sayıda veri kullanıldığı, yapay sinir ağlarının eğitilmesinde kullanılan verilerin genellikle normalize edilmediği, birden fazla özelliğin belirlenmesini ele alan çalışmalarda her bir özellik için ayrı bir ağın eğitildiği, yapay sinir ağlarının eğitilmesinde kullanılan verilerin elde edilmesinde birbirinden oldukça farklı aralıklarda yapılan çalışmaların bir arada kullanıldığı ve çalışmalarda genellikle su bazlı Al2O3 ve CuO gibi yaygın kullanılan nanoakışkanların ele alındığı tespit edilmiştir. Tez kapsamında üç farklı pilot çalışma yapılmıştır. Bu çalışmaların her birinde literatür taraması neticesinde tespit edilen boşlukların doldurulmasına katkı sağlanması hedeflenmiştir. Çalışmaların tamamında, veriler normalize edilmiş, optimum hiper-parametre konfigürasyonu Bayes optimizasyonu ile belirlenmiş, k-katlı çapraz doğrulama ile aşırı öğrenmeye karşı önlem alınmış, veriler elde edilirken olabildiğince aynı çalışma grupları tarafından aynı ölçüm cihazları kullanılarak ortak çalışma aralıklarında yapılan çalışmalardan faydalanılmıştır. Yapay sinir ağları ile yapılan tahminlerin performansları literatürde önerilen korelasyonlarla karşılaştırılarak yapay sinir ağlarının korelasyonlara alternatif olup olamayacağı tartışılmıştır. Bu çalışmaların ikinde, literatürde hibrit nanoakışkanların özgül ısı değerlerini yapay sinir ağları ile tahmin etmeye yönelik az sayıda çalışma olduğundan su bazlı CuO + MWCNT, MgO + MWCNT ve SnO2 + MWCNT hibrit nanoakışkanların özgül ısılarının tahmin edilmesinde klasik korelasyonlara alternatif olabilecek bir YSA tabanlı tahminleyici geliştirilmesi üzerine çalışılmıştır. Çalışmada, sıcaklık (T), hacim oranı (φ), partikül çapı (dp) ve nanoparçacık türü (S) girdi değişkenleri olarak, nanoakışkanların özgül ısı değeri de çıktı değişkeni olarak ele alınmıştır. İkinci çalışmada, literatürde tek bir ağ modeli ile dört farklı özelliği tahmin edildiği bir çalışmaya rastlanılmadığı için nanodiamond / W, Al2O3 / EG:W (üç farklı karışım oranında) ve Fe3O4 / W nanoakışkanlarının ısı iletim katsayısı, dinamik viskozite, yoğunluk ve özgül ısı değerlerini tek birçok katmanlı algılayıcı modeli üzerinden tahmin edilmiştir. Çalışmada, sıcaklık (T), hacim oranı (φ), nanopartikül tipi (NP) ve baz akışkan türü (BF) bağımlı değişkenler (girdiler) olarak, ısı iletim katsayısı (k), dinamik viskozite (µ), yoğunluk (ρ) ve özgül ısı (Cp) ise bağımsız değişkenler (çıktılar) olarak ele alınmıştır. Son çalışmada ise literatürde üzerine az sayıda çalışma yapılmış olan Al2O3 + MWCNT / ısıl yağ, MgO / Yağ, ZnO / Yağ ve Mg(OH)2 + MWCNT / Motor yağı olmak üzere dört farklı nanoakışkanın ısı iletim katsayısı ve dinamik viskozite değerleri tek bir çok katmanlı algılayıcı modeli üzerinden tahmin edilmiştir. Çalışmada, sıcaklık (T), hacim oranı (φ), nanopartikül çeşidi (NP) ve baz akışkan (BF) bağımsız değişken olarak, ısı iletim katsayısı (k) ve dinamik viskozite (µ) ise bağımlı değişken olarak seçilmiştir. Tez kapsamında yapılan çalışmalardan elde edilen sonuçlar göz önüne alındığında; nanoakışkanlı sistemlerin gerek deneysel gerekse de sayısal analizlerinde ihtiyaç duyulan termofiziksel ve reolojik özelliklerinin YSA ile yüksek hassasiyetle tahmin edilebilen uygun ve pratik bir araç olduğu ve bu amaçla kullanılan korelasyonlara alternatif olabileceği sonucuna varılmıştır.

Özet (Çeviri)

Heat transfer improvement is among the primary needs of the industry. Cooling of electronic devices and gas turbine blades, gas-cooled nuclear reactors and heat exchangers can be given as some industrial application examples where heat transfer needs to be improved. The use of nanofluids obtained by suspending nanoparticles in the base fluid as a working fluid is one of the methods of improving heat transfer. Many experimental studies have been carried out to determine the thermophysical and rheological properties of nanofluids since the late 90's. In addition to determining the properties of nanofluids as a function of temperature and volume ratio, empirical correlations have been proposed to determine these properties by researchers. In parallel with the development in technology, data science, artificial intelligence, and machine learning have recently found a wide place in various fields of science and engineering as well as in various areas of our lives. The aim of this thesis is to investigate the potential of Artificial Neural Networks (ANNs) to be used in the estimation of thermophysical and rheological properties of nanofluids instead of the correlations commonly used in the literature. As a result of a comprehensive literature review, it is found that there are very few studies on estimating the density and specific heat of nanofluids and hybrid nanofluids with the artificial neural networks, the network structure, and hyper-parameters that affect the performance of artificial neural networks are generally determined by trial and error, and no precautions are taken against over-fitting. It is also concluded that in most of the studies, relatively few data are used in training artificial neural networks, data used in training artificial neural networks are generally not normalized, for the prediction of each property a separate network is trained, and the data used in training artificial neural networks are obtained at quite different intervals of the parameters, and commonly used nanofluids such as water-based Al2O3 and CuO are discussed in most of the studies. Three different cases were conducted within the content of the thesis. In each of these cases, it is aimed to contribute to filling the gaps identified as a result of the literature review. In all of the cases, the data were normalized before training, the optimum hyper-parameter configuration was determined by Bayesian optimization, precautions were taken against over-learning with k-fold cross-validation, and the data were obtained from the studies conducted by the same research groups using the same measurement devices. The performances of the predictions made with artificial neural networks were compared with the correlations suggested in the literature and it was discussed whether artificial neural networks could be an alternative to correlations. The aim of the first case is to develop an ANN-based estimator that can be used to predict the specific heat of deionized water-based CuO + MWCNT, MgO + MWCNT, and SnO2 + MWCNT hybrid nanofluids and to investigate the usability of the ANN-based estimators instead of the commonly used correlations available in the literature. Experimentally obtained data found in the literature on the specific heat of deionized water-based CuO + MWCNT, MgO + MWCNT and SnO2 + MWCNT hybrid nanofluids measured for various temperature T (25 – 50ºC), volume concentration φ (0.25% – 1.50%), and particle diameter dp (20 – 50 nm) were used in the present study. It has been determined as a result of the optimization that the LM training algorithm gives the best result with the hyperparameter combination where the hidden layer number is 1, the number of neurons is 24, the epoch number is 498, the learning rate is 0.15542 and the transfer function is logsig. The determination coefficient (R2) of the optimized network structure for training, validation, test data, and the whole data was found to be 0.998415, 0.995497, 0.995023, and 0.997504, respectively. In the second case, the thermal conductivity, dynamic viscosity, density, and specific heat of Nanodiamond / W, Al2O3 / EG:W at three different mixture ratios, and Fe3O4 / W nanofluids were predicted through a single Artificial Neural Network (ANN). For each thermophysical properties, 249 experimental data collected from several studies in the literature having particle volume fraction between 0% and 1.5% in the temperature range of 20–60 ºC were used to construct the ANN structure. In the data set, temperature, volume fraction, and type of nanoparticles and base fluids are considered as inputs while thermal conductivity, dynamic viscosity, density, and specific heat are considered as outputs. As a result of the Bayesian optimization, it was found that the best performing ANN structure containing 2 hidden layers, 10 neurons in each hidden layer, epoch number of 809, logsig transfer function for both layers, and Levenberg-Marquardt (LM) training algorithm. The results indicated that the modeled ANN accurately predicts the thermophysical properties of nanofluids with an overall Mean Square Error (MSE) value of 1.4e-5 and coefficient of determination (R2) of 0.999. Besides, the optimum ANN structure results were compared with empirical correlations proposed by several authors. The prediction results demonstrate that both empirical correlation and ANN can well predict the dynamic viscosity and thermal conductivity of Fe3O4 / W nanofluid, but the precision and accuracy of ANN is better. The aim of the last case is to predict the thermal conductivity and dynamic viscosity of Al2O3 + MWCNT / Thermal oil, MgO / Oil, ZnO / Oil, and Mg(OH)2 + MWCNT / Engine oil nanofluids with a single Artificial Neural Networks (ANN). In the study, temperature (15 - 60ºC), volume fraction (0 - 1.5%), base fluid, and nanoparticle type were determined as the inputs of the network, thermal conductivity, and dynamic viscosity as outputs. As a result of the Bayesian optimization, it was found that the best network structure consists of 3 hidden layers and 7 neurons in each hidden layer, the epoch number is 1211, the transfer function is logsig and the training algorithm is Levenberg-Marquardt (LM). The performance of the best performing network was found as the mean square error (MSE) 0.000042 and the determination coefficient (R2) 0.999043 for the whole data set. In addition, the results obtained from the empirical correlations suggested in the literature to calculate the thermal conductivity of MgO / Oil and ZnO / Oil nanofluids were compared with the results obtained with the ANN. As a result of this comparison, it was observed that the ANN predicted values closer to the experimental results compared to the empirical correlations. It was concluded that the ANN-based estimators obtained in the present study can be used to predict the thermophysical and rheological properties of nanofluids with high accuracy. It has been determined that the ANN-based estimator reveals better performance compared to the classical correlations. Therefore, it has been concluded that more precise and realistic calculations can be made by using the ANN-based estimator in determining the thermophysical and rheological properties of nanofluids required in experimental and numerical studies.

Benzer Tezler

  1. Tez No

    857286

    Direk absorbsiyonlu güneş kollektörlerinde kullanılan nanoakışkanların-termofiziksel ve optik özelliklerinin incelenmesi

    Investigation of nano-fluid phsical and optical properties used in direct absorption solar collector

    JASIM MOHAMMAD ABID ABID

    Doktora

    Türkçe

    Türkçe

    2024

    Makine MühendisliğiSelçuk Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. RAFET YAPICI

    DR. ÖĞR. ÜYESİ AMAR HASAN HAMEED

  2. Tez No

    685268

    Thermophysical properties of nanofluids and empirical correlations

    Nanoakışkanların termofiziksel özellikleri ve deneysel korelasyonları

    KATİA HAVİTERS

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    KimyaYeditepe Üniversitesi

    Kimya Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ CEM LEVENT ALTAN

  3. Tez No

    509305

    Nano mineralojik akışkanların termofiziksel özellikleri ve ısıl sistemdeki performansa etkisi

    Performance effect of thermal system and thermophysical properties of nano mineralogic fluids

    UĞUR KARAKAYA

    Doktora

    Türkçe

    Türkçe

    2018

    Kimya MühendisliğiGazi Üniversitesi

    Kimya Mühendisliği Ana Bilim Dalı

    PROF. DR. METİN GÜRÜ

  4. Tez No

    623515

    Dolomit ve boksit esaslı nanoakışkanların termofiziksel özelliklerinin belirlenmesi ve ısıl sistemlerdeki performansa etkisi

    Determination of thermophysical properties of dolomite and bauxite based nanofluids and effect on performance of thermal systems

    DUYGU YILMAZ AYDIN

    Doktora

    Türkçe

    Türkçe

    2020

    Kimya MühendisliğiGazi Üniversitesi

    Kimya Mühendisliği Ana Bilim Dalı

    PROF. DR. METİN GÜRÜ

  5. Tez No

    521396

    Otomobil radyatöründe TiO2 esaslı nanoakışkan kullanımının ısı transfer performansı üzerine etkisinin incelenmesi

    Investigation of the effect of TiO2 based nanofluid usage on heat transfer performance in automobile radiator

    SEZGİ KOÇAK SOYLU

    Doktora

    Türkçe

    Türkçe

    2018

    Makine MühendisliğiAkdeniz Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DOÇ. DR. İBRAHİM ATMACA

Geri Dön