| LEADER |
06848nam a22002417a 4500 |
| 001 |
2268795 |
| 041 |
|
|
|a eng
|
| 044 |
|
|
|b ليبيا
|
| 100 |
|
|
|a اخويطر، مريم
|g Akhwater, Maryam
|e مؤلف
|9 809066
|
| 245 |
|
|
|a Computational Analysis on the Thermo-Physical Properties of Al2O3 Nanoparticles Suspended in Different Based Fluids Using Back-Propagated Deep Neural Networks
|
| 246 |
|
|
|a تحليل حسابي للخصائص الفيزيائية الحرارية للجسيمات النانوية لأكسيد الألومنيوم العالقة في سوائل مختلفة باستخدام الشبكات العصبية العميقة ذات الانتشار العكسي
|
| 260 |
|
|
|b الأكاديمية الأفريقية للدراسات المتقدمة
|c 2024
|g ديسمبر
|
| 300 |
|
|
|a 34 - 45
|
| 336 |
|
|
|a بحوث ومقالات
|b Article
|
| 520 |
|
|
|a على مدى السنوات القليلة الماضية، تم إنتاج العديد من السوائل النانوية عن طريق مزج جزيئات صلبة غير معدنية بحجم النانومتر (100 نانومتر) في سوائل ناقلة للحرارة مثل الماء والإيثيلين جلايكول. تم فحص الخصائص الفيزيائية الحرارية من حيث الموصلية الحرارية واللزوجة وخصائص انتقال الحرارة والكتلة على نطاق واسع نظرا لتطبيقاتها الديناميكية الحرارية المحتملة. في هذا العمل، تم اعتماد طرق مختلفة للتعلم الآلي الخاضع للإشراف والشبكة العصبية العميقة ذات الانتشار العكسي (BDNN) للتنبؤ بالموصلية الحرارية واللزوجة لجسيمات أكسيد الألومنيوم النانوية المختلطة في العديد من السوائل الأساسية للماء والإيثيلين جلايكول (W-EG). في هذه الدراسة تم جمع بيانات التدريب من البيانات التجريبية التي تم نشرها سابقا ليتم تطبيقها في نماذج BDNN ونموذجين آخرين مختلفين للتعلم الآلي وهما: نموذج الانحدار متعدد الحدود (PRM) ونموذج انحدار شجرة القرار (DTR). بالإضافة إلى ذلك، تم إنشاء شبكات BDNN المقترحة الأخرى واختبارها وتقييمها باستخدام أعداد مختلفة من الطبقات المخفية والخلايا الاصطناعية العصبية لتحديد بنية الشبكة المثلى من حيث الدقة التنبؤية. علاوة على ذلك، لتقييم الدقة والقدرة التنبؤية لجميع خوارزميات التنبؤ الثلاثة، تم استخدام المؤشرات الإحصائية بما في ذلك خطأ الجذر التربيعي المتوسط (RMSE) والخطأ النسبي (r) ومعامل الانحدار R² المقترنة مع الرسوم البيانية للانحدار باستخدام مجموعات بيانات التدريب. أشارت النتائج إلى أن BDNN هو النموذج الأكثر كفاءة في التنبؤ بالخصائص الفيزيائية الحرارية لأكسيد الألومنيوم، حيث يظهر اتفاقا كبيرا بين المتغيرات التابعة المتنبئة والحقيقية بدقة ممتازة تصل إلى 996% و998% للتوصيل الحراري واللزوجة على التوالي. في المقابل، يتمتع نموذج PRM بقدرة تنبؤية منخفضة وأداء غير مُرضِ مع قيم RMSE مرتفعة تبلغ 0.0132 و0.0201 للتوصيل الحراري واللزوجة على التوالي.
|b Over the last few years, various nanofluids have been produced by suspending nonmetallic nanometer-sized solid particles (˂ 100 nm) in heat transfer fluids like water, and ethylene glycol. The thermo-physical properties in terms of thermal conductivity, viscosity, and heat and mass transfer characteristics have been widely investigated for their potential thermodynamic applications. In the present work, different supervised machine learning and back-propagated deep neural network (BDNN) methods were adopted to predict the thermal conductivity and viscosity of Al₂O ₃nanoparticles dispersed in several base fluids of water and ethylene glycol W–EG. The training data were collected from previously reported experimental data to be applied in BDNN and two different machine learning models, polynomial regression model (PRM) and decision tree regression (DTR). In addition, other proposed BDNNs were built up, tested, and evaluated using different numbers of hidden layers and neurons to determine the optimum network architecture in terms of its predictive precision. Furthermore, to assess the accuracy and predictive ability of all three prediction algorithms, statistical indices including root mean square error (RMSE), relative error (r), and regression coefficient R² coupling with regression graphs using the training data sets were used. The results indicated that BDNN is the most efficient model in predicting the thermo-physical properties of W–EG Al₂O₃, showing great agreement between simulated and targeted dependent variables with excellent accuracy of up to 996% and 998% for thermal conductivity and viscosity, respectively. In contrast, the PRM has low predictive capability and unsatisfactory performance with higher RMSE values of 0.0132 and 0.0201 for thermal conductivity and viscosity, respectively.
|
| 653 |
|
|
|a الخواص الفيزيائية الحرارية
|a السوائل النانوية
|a أكسيد الألومنيوم
|a الخلايا الاصطناعية العصبية
|a التوصيل الحراري
|
| 692 |
|
|
|a الموائع النانوية لأكسيد الألومنيوم
|a الشبكة العصبية العميقة ذات الانتشار العكسي
|a شجرة القرار
|a الانحدار متعدد الحدود
|a الموصلية الحرارية
|a اللزوجة
|b Al2O3 Nanofluids
|b Back-Propagated Deep Neural Network
|b Decision Tree
|b Polynomial Regression
|b Thermal Conductivity
|b Viscosity
|
| 773 |
|
|
|4 العلوم الإنسانية ، متعددة التخصصات
|4 العلوم الاجتماعية ، متعددة التخصصات
|6 Humanities, Multidisciplinary
|6 Social Sciences, Interdisciplinary
|c 003
|e Afro-Asian Journal of Scientific Research
|f al-Mağallaẗ al-afrū-āsiyawiyyaẗ li-l-baḥṯ al-ʿilmī
|l 004
|m مج2, ع4
|o 2460
|s المجلة الأفروآسيوية للبحث العلمي
|v 002
|x 2959-6505
|
| 856 |
|
|
|u 2460-002-004-003.pdf
|
| 930 |
|
|
|d y
|p y
|q n
|
| 995 |
|
|
|a EduSearch
|
| 995 |
|
|
|a HumanIndex
|
| 999 |
|
|
|c 1525435
|d 1525435
|
