[论文解读] 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 7

一句话总结

本研究评估了用于预测纳米流体导热系数和黏度的解析模型与机器学习模型。基于纳米颗粒粒径、体积浓度、基液性质和温度的实验数据，结果表明人工神经网络（ANN）在预测黏度方面优于解析模型和线性回归，而ANN与线性回归在预测导热系数方面均表现出优异的准确性。

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.

研究动机与目标

• 开发并比较用于预测纳米流体导热系数和黏度的解析模型与机器学习模型。
• 识别影响纳米流液导热系数和黏度的最重要输入参数。
• 利用文献中的综合数据集训练并验证机器学习模型。
• 评估线性回归和人工神经网络（ANN）模型相对于解析模型的预测准确性。
• 为纳米流体热性能预测提供一个数据驱动的模型选择框架。

提出的方法

• 通过广泛的文献调研，收集了多种纳米流体导热系数和黏度的实验数据。
• 为导热系数模型选择关键输入变量：纳米颗粒粒径、体积浓度、基液导热系数和纳米流体温度。
• 为黏度模型选择输入变量：分子量、纳米颗粒粒径、体积分数、基液黏度和温度。
• 将数据集划分为训练集和测试集，以评估模型的泛化能力。
• 在训练集上训练线性回归和人工神经网络（ANN）模型，并在测试集上进行验证。
• 将模型预测结果与实验数据对比，使用标准误差指标评估准确性。

实验结果

研究问题

• RQ1 在预测纳米流体导热系数方面，哪种机器学习模型——线性回归还是人工神经网络——表现最佳？
• RQ2 在预测纳米流体黏度方面，机器学习模型与传统解析模型相比，准确性如何？
• RQ3 影响纳米流体导热系数和黏度的最重要物理参数是什么？
• RQ4 结合解析模型与机器学习模型的混合方法是否能提高预测的可靠性？
• RQ5 训练好的模型在未见过的纳米流体组成和工况条件下，泛化能力如何？

主要发现

• 人工神经网络（ANN）模型在预测纳米流体黏度方面，精度高于解析模型。
• 线性回归与ANN模型在预测导热系数方面均表现出优异的预测性能，其中ANN略胜于线性回归。
• 影响导热系数的最重要参数是纳米颗粒体积浓度、基液导热系数和温度。
• 在黏度预测中，纳米颗粒粒径、体积分数和基液黏度是关键输入变量。
• 采用的训练与测试数据划分策略确保了模型评估的稳健性，模型在未见数据上表现一致。
• 本研究证实，机器学习模型，尤其是ANN，是高精度预测复杂纳米流体性能的有效工具。