مقاله انگلیسی رایگان در مورد افزایش هدایت حرارتی (SiO2-MWCNT (85:15 – نانو سیال هیبرید EG
مشخصات مقاله | |
عنوان مقاله | Thermal conductivity enhancement of SiO2–MWCNT (85:15 %)– EG hybrid nanofluids |
ترجمه عنوان مقاله | افزایش هدایت حرارتی (SiO2-MWCNT (85:15 – نانو سیال های هیبرید EG |
فرمت مقاله | |
نوع مقاله | ISI |
سال انتشار | |
تعداد صفحات مقاله | ۱۰ صفحه |
رشته های مرتبط | مهندسی مکانیک |
گرایش های مرتبط | مکانیک سیالات |
مجله | مجله تحليل حرارتی و کالوريمتری – Journal of Thermal Analysis and Calorimetry |
دانشگاه | گروه مهندسی مکانیک، دانشگاه امام حسین، تهران، ایران |
کلمات کلیدی | شبکه عصبی، نانوسیم های ترکیبی، حساسیت، افزایش هدایت حرارتی، هزینه |
کد محصول | ۷۸۱۸ |
نشریه | Springer |
وضعیت ترجمه مقاله | ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید. |
دانلود رایگان مقاله | دانلود رایگان مقاله انگلیسی |
خرید ترجمه این مقاله | خرید ترجمه این مقاله |
بخشی از متن مقاله: |
چکیده بدلیل خواص حرارتی بالایی که نانوسیالات از خود نشان می دهند، توانسته توجه محققان زیادی را به خود جلب کند. در مطالعه پیش رو، به منظور اندازه گیری و بهینه سازی هدایت حرارتی نسبی نانوسیال هیبریدی، نانوذره SiO2 با قطر میانگین ۲۰-۳۰nm همراه با MWCNT با قطر داخلی و خارجی به ترتیب ۲-۶ nm و ۵-۲۰ nmدر سیال اتیلن گلیکول پخش شده و تشکیل ناننوسیال هیبریدی SiO2-MWCNT(85-15)-EG را داده اند.هدایت حرارتی نانوسیال با غلظتهای ۰٫۰۵% تا ۱٫۹۵% حجمی در دماهای بین ۳۰ تا ۵۰ اندازه گیری شده است. آنالیز نتایج نشان داد که TCR نانوسیال هیبریدی با افزایش دما و غلظت بطور غیر خطی زیاد می شود طوری که بیشترین افزایش TCR در غلظت ۱٫۹۴% و دمای ۵۰ برابر با ۲۲٫۲% افزایش نسبت به سیال پایه مشاهده شد. نمودار TCE-concentration-cost برای نانوسیال هیبریدی و نانوسیال حاوی ذرات SiO2 و MWCNT نشان داد که استفاده از نانوسیال هیبریدی میتواند از لحاظ هزینه و درصد TCE بهینه ترین حالت ممکن می باشد. برای تخمین داده های آزمایشگاهی TCR دو روش ارائه رابطه ای جدید و طراحی شبکه عصبی با الگوریتم feed-forward استفاده شد. مقدار R-squared رابطه جدید و ANN به ترتیب ۰٫۹۸۶۴ و ۰٫۹۹۸۱ بدست آمدند. مقایسه این دو روش تخمین داده با داده های آزمایشگاهی نشان داد که هر دو روش دارای دقت خوبی برای پیشبینی داده ها هستند اما ANN طراحی شده خطای بسیار کمتری نسبت به خروجی های correlation داشت. |