×
نام و نام خانوادگی
بازخوانی ...
اطلاعات کتابشناختی
عنوان اصلی: Prediction of Thermal Conductivity of Magnetic Nanofluids Using Artificial Neural Networks (ANN)
عنوان: پيش بيني هدايت حرارتي نانوسيالات مغناطيسي با استفاده از شبكه هاي عصبي مصنوعي
پدیدآورندگان : شهابي پور (پديدآور)
مهدي (پديدآور)
اشجعي (پديدآور)
گروه فني-پرديس البرز (پديدآور)
نوع : متن
جنس : پايان نامه
صاحب محتوا :

کتابخانه دیجیتالی دانشگاه تهران

وضعیت نشر :
خلاصه : Due to the fact that the thermal conductivity of nanofluids can be affected by many factors, it is difficult to establish an accurate prediction model using conventional models. To address this problem, a new thermal conductivity prediction approach based on feed-forward neural networks is proposed in this thesis. Two feed-forward neural networks are proposed, one with 4 input variables for prediction of the thermal conductivity of ferrofluids in absence of magnetic field, the other with 3 input variables for prediction the thermal conductivity of water based ferrofluids in presence of magnetic field. First model takes into account the effects of nanoparticle volume concentration, temperature, nanoparticle thermal conductivity and the thermal conductivity of base fluid, while the second model considers the effect of nanoparticle volume concentration, magnetic field intensity and nanoparticle thermal conductivity. Ten different types of ferrofluids, namely Fe3O4-water, Fe2O3-water, CoFe2O4-water, NiFe2O4-water, Fe3O4-Ethylene Glycol, CoFe2O4-Ethylene Glycol, Fe2O3-Ethylene Glycol, Fe2O3-Ethylene Glycol / Water (20/80), Fe2O3- Ethylene Glycol / Water (40/60) and Fe2O3- Ethylene Glycol / Water (60/40), are used to evaluate the effectiveness of the first model. Three different types of ferrofluids, namely Fe3O4-water, Fe2O3-water and CoFe2O4-water, are used to assess the accuracy of the second model. The comparisons illustrate that the predicted thermal conductivity of feed-forward neural networks agree well with the experimental data, which outperforms many existing theoretical models.
یادداشت :
كتابنامه: به انگليسي
چكيده: به فارسي و انگليسي
رشته مهندسي مكانيك - تبديل انرژي
كارشناسي ارشد
شناسه : oai:ut.ac.ir:thesis/1-292377
تاریخ ایجاد رکورد : 1394/12/9
تاریخ تغییر رکورد : 1395/1/28
قیمت شيء دیجیتال : فاقد شيء دیجیتالی


* محتوای این صفحه توسط کارشناسان این درگاه ویرایش نشده است. لطفا در صورت مشاهده ایراد در محتوا از این طریق اطلاع رسانی کنید.

دیدگاه شما

تست
ورود به درگاه کنسرسیوم
Loding



رمز عبور خود را فراموش کرده ام.
چنانچه تا کنون عضو سایت نشده اید ثبت نام کنید.
درباره کنسرسیوم
ما مجموعه‌ای از كتابخانه‌ها و سازمان‌های دارای منابع اطلاعاتی (کتاب، نشریه، نسخه‌های خطی، عکس، صدا، فیلم و... ) هستیم که با هدف تامین نیازهای پژوهشگران و شهروندان ایرانی برای دسترسی هر چه سریع‌تر به محتوای مورد نظر خود، کنسرسیوم محتوای ملی را تشکیل داده‌ایم. برای رسیدن به این هدف، قصد داریم با بسترسازی مناسب و جلب مشارکت دیگر تولید کنندگان محتوا به گرد آوری، تبدیل، سازماندهی و حفاظت اطلاعات به شکل رقومی و در سطح ملی، بپردازیم.