[論文レビュー] Investigation on thermal conductivity and viscosity of nanofluids using analytical and machine learning models

Shankar Durgam, Ganesh B. Kadam|arXiv (Cornell University)|Feb 24, 2021

Nanofluid Flow and Heat Transfer被引用数 7

ひとこと要約

本研究では、ナノ流体の熱伝導率および粘度を予測するための解析的モデルと機械学習モデルの性能を評価する。粒子径、体積濃度、ベース流体の物性、温度などの実験データを用いて、粘度予測においては人工ニューラルネットワーク（ANN）が解析的モデルおよび線形回帰を上回ることを示し、熱伝導率予測においてもANNと線形回帰が良好な精度を示すことを確認した。

ABSTRACT

Knowledge of thermal properties is essential to design and evaluate thermal systems and processes using nanofluids. This paper presents different analytical models to predict thermal conductivity and viscosity. The efforts have been made to develop machine learning models to predict these properties. An extensive literature survey was carried out to collect thermal properties data of different nanofluids to train and test these machine learning models. The most influential properties like thermal conductivity, diameter, volume concentration of nanoparticles, base fluid thermal conductivity and nanofluid temperature are used as input variables to the thermal conductivity models and molecular weight, diameter and volume fraction nanoparticles, base fluid viscosity and nanofluid temperature are taken as an input variable to the viscosity model. Data is divided into two-part, one part is used to train the models and remaining part is used to test it. Result shows linear regression and ANN model do predict thermal conductivity more closely and ANN predict viscosity more accurately compared to analytical models.

研究の動機と目的

• ナノ流体の熱伝導率および粘度を予測するための解析的モデルと機械学習モデルの開発および比較を行う。
• ナノ流体の熱伝導率および粘度に最も影響を与える入力パラメータを特定する。
• 文献からの包括的なデータセットを用いて機械学習モデルの学習および検証を行う。
• 線形回帰および人工ニューラルネットワーク（ANN）モデルの予測精度を解析的モデルと比較する。
• ナノ流体の熱的性質予測における最適モデル選択のためのデータ駆動型フレームワークを提供する。

提案手法

• 広範な文献調査から、さまざまなナノ流体の熱伝導率および粘度に関する実験データを収集した。
• 熱伝導率モデル用の主要な入力変数として、ナノ粒子径、体積濃度、ベース流体の熱伝導率、ナノ流体温度を選定した。
• 粘度モデル用の入力変数として、分子量、ナノ粒子径、体積分率、ベース流体の粘度、および温度を選定した。
• モデルの汎化性能を評価するために、データセットを訓練用およびテスト用に分割した。
• 訓練セット上で線形回帰および人工ニューラルネットワーク（ANN）モデルを学習させ、テストセットで検証した。
• 標準誤差指標を用いて、実験データとの一致度を評価することで、モデルの精度を評価した。

実験結果

リサーチクエスチョン

• RQ1 線形回帰と人工ニューラルネットワーク（ANN）のうち、どの機械学習モデルがナノ流体の熱伝導率を最もよく予測できるか？
• RQ2 機械学習モデルは、従来の解析的モデルと比較して、ナノ流体の粘度予測においてどの程度の精度を示すか？
• RQ3 ナノ流体の熱伝導率および粘度に最も影響を与える物理的パラメータは何か？
• RQ4 解析的モデルと機械学習モデルを併用するハイブリッドアプローチは、予測の信頼性を向上させることができるか？
• RQ5 訓練済みモデルは、未知のナノ流体組成および運用条件に対してどの程度一般化できるか？

主な発見

• 人工ニューラルネットワーク（ANN）モデルは、解析的モデルよりもナノ流体の粘度を高い精度で予測した。
• 線形回帰とANNモデルの両方が熱伝導率予測において優れた性能を示し、ANNがわずかに線形回帰を上回った。
• 熱伝導率に最も影響を与える要因は、ナノ粒子体積濃度、ベース流体の熱伝導率、および温度であった。
• 粘度予測においては、ナノ粒子径、体積分率、およびベース流体の粘度が重要な入力変数であった。
• 訓練・テスト分割戦略により、未知データに対しても一貫した性能を示す、堅牢なモデル評価が可能になった。
• 本研究は、特にANNを含む機械学習モデルが、高精度で複雑なナノ流体の物性を予測する有効なツールであることを確認した。