دانیال خزائی
داریوش جعفری - دانشگاه ازاد اسلامی واحد بوشهر
مرتضی اسفندیاری - دانشگاه بجنورد گروه مهندسی شیمی

در سال­های اخیر، استفاده از روش­های مدل­سازی که مستقیما از داده­های تجربی استفاده می­کنند به دلیل دقت بالا در پیش­بینی نتایج فرآیند، به جای روش­های آماری رو به افزایش است. در این مقاله، توانایی مدل­های شبکه عصبی مصنوعی (ANN) و سیستم استنتاج فازی-عصبی تطبیقی (ANFIS) در پیش­بینی عملکرد حرارتی نانوسیال Al۲O۳ که توسط مقاومت حرارتی سنجیده می­شود، بررسی شده است. داده­های آزمایشگاهی از یکی از مقالات معتبر که عملکرد حرارتی نانوسیال Al۲O۳ را درون یک لوله حرارتی نوسانی بررسی کرده بود، استخراج شد. برای مدل­سازی توسط ANN از یک شبکه پرسپترون چندلایه و برای ANFIS از یک مدل فازی سوگنو استفاده شد که هر دو از دقیق­ترین و رایج­ترین روش­های مدل­سازی هستند. مقایسه مقادیر هدف با مقادیر پیش­بینی شده توسط هر دو مدل بسیار رضایت ­بخش بود و ضریب همبستگی برای هر دو بیش از ۹۹/۰ بدست آمد که نشان­دهنده میزان بالای دقت این دو مدل است. در نهایت عملکرد هر دو مدل با هم مقایسه شد که عملکرد هردو بسیار خوب و نزدیک به هم بود، ولی در مجموع ANN نسبت به ANFIS عملکرد بهتری از خود نشان داد.  

Modeling ANN ANFIS thermal resistance nanofluid Al۲O۳., مدل سازی, ANN, ANFIS, مقاومت حرارتی, نانوسیال, Al۲O۳.