AI Summary & Key Takeaways
AI InsightÇalışma sonucunda elde edilen YSA tabanlı tahminleyici ile klasik korelasyonlara nazaran doğruluk payı daha yüksek bir tahminleme yapılabileceği ve YSA’nın nanoakışkanların özgül ısılarının belirlenmesinde kullanılabilecek güçlü bir araç olduğu sonucuna varılmıştır.
📌 3 Key Takeaways
Özet
Nanoakışkanlı mühendislik sistemlerinin deneysel ve sayısal analizinde nanoakışkanların termofiziksel ve reolojik özelliklerinin yüksek doğrulukla belirlenmesi analiz sonuçlarının hassasiyeti üzerinde kayda değer bir etkiye sahiptir. Bu çalışmada, deiyonize su bazlı CuO + ÇDKNT, MgO + ÇDKNT ve SnO2 + ÇDKNT hibrit nanoakışkanlarının özgül ısılarının tahmin edilmesinde kullanılabilecek Yapay Sinir Ağları (YSA) tabanlı bir tahminleyici geliştirilmesi ve bu tahminleyicinin literatürde yaygın olarak kullanılan korelasyonların yerine kullanılabilme potansiyelinin araştırılması hedeflenmiştir. Çalışmada, literatürde bulunan deiyonize su bazlı CuO + ÇDKNT, MgO + ÇDKNT ve SnO2 + ÇDKNT hibrit nanoakışkanların farklı sıcaklık T (25 – 50 ºC), hacim oranı φ (%0,25 – %1,50) ve partikül çapı dp (20 – 50 nm) için deneysel olarak elde edilmiş özgül ısılarına ait veriler kullanılmıştır. Nöron sayısı, gizli katman sayısı, transfer fonksiyonu, epoch sayısı ve öğrenme oranı gibi eğitim algoritması ve ağa ait hiper parametrelerin optimum değerleri ve çeşitli eğitim algoritmaları arasından ele alınan problem için en iyi sonuç veren eğitim algoritması Bayes optimizasyonu ile belirlenmiştir. Aşırı öğrenmeye karşı önlem olarak k-katlı çapraz doğrulama uygulanmıştır. Çalışma sonucunda elde edilen YSA tabanlı tahminleyici ile klasik korelasyonlara nazaran doğruluk payı daha yüksek bir tahminleme yapılabileceği ve YSA’nın nanoakışkanların özgül ısılarının belirlenmesinde kullanılabilecek güçlü bir araç olduğu sonucuna varılmıştır.