[논문 리뷰] Investigation on thermal conductivity and viscosity of nanofluids using analytical and machine learning models

Shankar Durgam, Ganesh B. Kadam|arXiv (Cornell University)|2021. 02. 24.

Nanofluid Flow and Heat Transfer인용 수 7

한 줄 요약

이 연구는 나노유체의 열전도도와 점도 예측을 위한 분석 모델과 기계학습 모델을 평가한다. 나노입자 직경, 체적 농도, 기초 유체 성질, 온도 등의 실험 데이터를 사용하여, 인공 신경망(ANN)이 점도 예측에서 분석 모델과 선형 회귀 모델보다 뛰어난 성능을 보이며, 열전도도 예측에서는 ANN와 선형 회귀 모두 높은 정확도를 보임을 입증한다.

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.

연구 동기 및 목표

• 나노유체의 열전도도와 점도를 예측하기 위한 분석 모델과 기계학습 모델을 개발하고 비교한다.
• 나노유체에서 열전도도와 점도에 영향을 미치는 가장 중요한 입력 변수를 규명한다.
• 문헌에서 확보한 종합적인 데이터셋을 사용하여 기계학습 모델을 훈련하고 검증한다.
• 선형 회귀 모델과 인공 신경망(ANN) 모델의 예측 정확도를 분석 모델과 비교 평가한다.
• 나노유체 열물성 예측에서 최적의 모델을 선택하기 위한 데이터 기반 프레임워크를 제공한다.

제안 방법

• 광범위한 문헌 조사로부터 다양한 나노유체의 열전도도와 점도에 대한 실험 데이터를 수집하였다.
• 열전도도 모델의 핵심 입력 변수로는 나노입자 직경, 체적 농도, 기초 유체의 열전도도, 나노유체 온도를 선정하였다.
• 점도 모델의 입력 변수로는 분자량, 나노입자 직경, 체적 분율, 기초 유체 점도, 온도를 선정하였다.
• 모델 일반화 능력을 평가하기 위해 데이터셋을 훈련 및 테스트 세트로 분할하였다.
• 훈련 세트에서 선형 회귀 및 인공 신경망(ANN) 모델을 훈련하고 테스트 세트에서 검증하였다.
• 예측 성능 평가를 위해 표준 오차 지표를 사용하여 모델 예측값을 실험 데이터와 비교하였다.

실험 결과

연구 질문

• RQ1 선형 회귀와 인공 신경망(ANN) 중 어떤 기계학습 모델이 나노유체의 열전도도를 더 잘 예측하는가?
• RQ2 기계학습 모델은 전통적인 분석 모델에 비해 나노유체 점도 예측에서 얼마나 정확한가?
• RQ3 나노유체의 열전도도와 점도에 가장 큰 영향을 미치는 물리적 매개변수들은 무엇인가?
• RQ4 분석 모델과 기계학습 모델을 병합한 하이브리드 접근 방식이 예측 신뢰도를 향상시킬 수 있는가?
• RQ5 훈련된 모델은 새로운 나노유체 조성과 작동 조건에 대해 얼마나 잘 일반화되는가?

주요 결과

• 인공 신경망(ANN) 모델은 분석 모델보다 나노유체 점도 예측에서 더 높은 정확도를 보였다.
• 선형 회귀와 ANN 모델 모두 열전도도 예측에서 뛰어난 예측 성능를 보였으며, ANN 모델이 약간 더 뛰어난 성능를 보였다.
• 열전도도에 가장 큰 영향을 미친 매개변수는 나노입자 체적 농도, 기초 유체의 열전도도, 온도였다.
• 점도 예측에서 가장 중요한 입력 변수는 나노입자 직경, 체적 분율, 기초 유체 점도였다.
• 훈련 및 테스트 분할 전략 덕분에 모델 평가가 강력해졌으며, 새로운 데이터에 대해 일관된 성능를 보였다.
• 본 연구는 기계학습 모델, 특히 ANN 모델이 높은 정밀도로 복잡한 나노유체 물성 예측에 효과적인 도구임을 확인한다.