使用解析与机器学习模型对纳米流体导热系数及黏度的研究
流体动力学
2021-02-25 v1
摘要
热物性的知识对于设计和评估使用纳米流体的热系统与过程至关重要。本文提出了不同的解析模型来预测导热系数和黏度。已努力开发机器学习模型来预测这些性质。进行了广泛的文献调研以收集不同纳米流体的热物性数据来训练和测试这些机器学习模型。最具影响的性质如导热系数、直径、纳米颗粒的体积浓度、基液导热系数和纳米流体温度被用作导热系数模型的输入变量，分子量、直径和纳米颗粒体积分数、基液黏度和纳米流体温度被用作黏度模型的输入变量。数据被分为两部分，一部分用于训练模型，剩余部分用于测试。结果表明，线性回归和 ANN 模型确实更贴近地预测导热系数，且相比于解析模型，ANN 更精确地预测黏度。
引用
@article{arxiv.2102.12120,
title = {Investigation on thermal conductivity and viscosity of nanofluids using analytical and machine learning models},
author = {Shankar Durgam and Ganesh Kadam},
journal= {arXiv preprint arXiv:2102.12120},
year = {2021}
}
备注
17 pages, 10 figures