Generic selectors
نمایش نتیجه کاملا مشابه
جستجو در عناوین
جستجو در محتوا
جستجو در پست‌ها
جستجو در مقالات

دانلود مقاله پیش‌بینی ویسکوزیته نانوسیالات با استفاده از رویکرد جنگل تصادفی (RF) (الزویر 2020)

ارسال توسط وب‌رویا در 2020, الزویر Elsevier, پژوهشی, داده کاوی, شیمی, فناوری اطلاعات و کامپیوتر, هوش مصنوعی

دانلود مقاله پیش‌بینی ویسکوزیته نانوسیالات با استفاده از رویکرد جنگل تصادفی (RF) (الزویر 2020)

ترجمه فارسی چکیده مقاله:

تخمین دقیق ویسکوزیته، یکی از مهمترین خصوصیات حرارتی فیزیکی نانوسیالات، در کاربردهای سیال انتقال حرارت در بسیاری از صنایع ضروری است. در این مقاله، برای اولین بار، جنگل تصادفی (RF)، از یک روش هوش مصنوعی قوی برای برآورد دقیق ویسکوزیته نانوسیالات نیوتنی استفاده شده است. برای تهیه مدل از پنج پارامتر ورودی استفاده شده است: دما، کسر حجمی جامد، ویسکوزیته مایع پایه، اندازه نانوذرات و تراکم نانوذرات. علاوه بر این، 2890 مجموعه داده از 50 مرجع به نمایندگی از طیف گسترده‌ای از تنظیمات آزمایشی جمع‌آوری شد. عملکرد پیش‌بینی مدل در برابر مدل‌های چند لایه پرسپترون (MLP)، رگرسیون بردار پشتیبانی (SVR) و مدل‌های مختلف کلاسیک و تجربی مورد بررسی قرار گرفت. عملکرد مدل با استفاده از شاخص‌های مختلف عملکرد آماری و نقشه‌های گرافیکی تجزیه و تحلیل شد. ارزیابی معیارهای عملکرد، با استفاده از مجموعه داده‌های آزمایش، نشان داد که مدل RF بهترین پیش‌ینی ویسکوزیته نانوسیالات (R=0.989, RMSE=0.139, MAPE=4.758%) را در مقایسه با نمونه‌های MLP (R=0.915, RMS=0.377, MPE=16.194%) ارائه می‌دهد. 37 0.377 MP ، MPE .1 16.194٪) و SVR (0.941 ¼ R R ، RMSE 31 0.315، ، MAPE 7.895). علاوه بر این، تجزیه و تحلیل حساسیت نشان داد که کسر حجمی و تراکم نانوذرات به ترتیب بیشترین و دومین عامل مهم تأثیر ویسکوزیته نانوسیالات بودند.

 

عنوان مقاله انگلیسی:

Prediction of nanofluids viscosity using random forest (RF) approach

چکیده مقاله انگلیسی:

Accurate estimation of viscosity, one of the most important thermo-physical properties of nanofluids, is essential in heat transfer fluid applications in many industries. In this paper, for the first time, the random forest (RF), a robust artificial intelligence method is utilized to accurately estimate the viscosity of Newtonian nanofluids. To develop the model five input parameters were used, namely the temperature, solid volume fraction, viscosity of the base fluid, nanoparticle size, and density of nanoparticle. Further, 2890 datasets were collected from 50 references representing a wide range of experimental settings. The model’s predictive performance was assessed against those of a multilayer perceptron (MLP) model, a support vector regression (SVR) and various classical and
empirical models. The models’ performance were analyzed using various statistical performance indicators and graphical plots. Performance criteria assessment, using the testing dataset, showed that the RF model provided the best prediction of the viscosity of nanofluids (R =0.989, RMSE =0.139, MAPE =4.758%) in comparison to those of the MLP (R =0.915, RMSE = 0.377, MPE =16.194%) and the SVR (R =0.941, RMSE =0.315, MAPE =7.895%). Moreover, a sensitivity analysis demonstrated that the volume fraction and density of nanoparticles were the most and second most significant factors affecting the viscosity of nanofluid, respectively.

تعداد صفحات مقاله: 15

تاریخ انتشار مقاله: 2020

نشریه: الزویر Elsevier

فرمت فایل: pdf

حجم فایل: 3/59MB

 

لینک دانلود رایگان مقاله:

پیش‌بینی ویسکوزیته نانوسیالات با استفاده از رویکرد جنگل تصادفی (RF) 

** مبلغ ترجمه تخصصی ارزان این مقاله : 25000 تومان **

»»شما اکنون 50% از کل مبلغ ترجمه را پرداخت کرده و باقی مبلغ را پس از آماده شدن ترجمه خواهید پرداخت.

»»پس از ثبت سفارش ترجمه، طی حداکثر 7 روز کاری آینده، ترجمه فارسی به‌صورت دو فایل word و pdf برای شما آماده می‌شود و به شما اطلاع‌رسانی خواهد شد.