自20世纪90年代以来,纳米流体的热传递特性已被广泛研究。研究调查表明,悬浮的纳米颗粒显着改变悬浮液的热性能。纳米流体的导热率是通常发现大于基础流体的性能之一。发现导热性的这种增加取决于几个参数。已经提出了几种理论来模拟纳米流体的热导体,但尚未对纳米流体的异常导热率模拟具有可靠的普遍理论。近年来,已成功地将监督数据驱动的方法成功用于在各种科学学科中创建代理模型,特别是对难以理解的现象进行建模。这些监督的学习方法允许模型捕获高度线性现象。在这项工作中,我们利用了现有的相关性,并同时使用了可用的实验结果,以开发更强大的替代模型,以预测纳米流体的导热率。使用转移学习方法训练人工神经网络,以预测具有32种不同颗粒流体组合的球形颗粒的纳米流体的导热性增强(8个颗粒材料和4个流体)。从相关性产生的大量较低的精度数据用于大调模型参数,并且使用有限量的更可靠的实验数据用于微调模型参数。将转移学习的模型的结果与来自基线模型的结果进行比较,这些模型仅在使用拟合度量的良好训练的实验数据上培训。结果发现,转移学习模型更好地表现出0.93的良好值,而不是从基线模型0.83。
translated by 谷歌翻译