تخمین هدایت حرارتی نانوسیال اتیلن گلیکول با نانوذارت هیبریدی SWCNT- Al2O3
چکیده
در نوشتارحاضر اثر دما و کسر حجمی (Volume fraction) بر ضریب هدایت حرارتی (thermal conductivity) نانوسیال هیبریدی SWCNT-Al2O3/EG بررسی شده است. نانوذراتSWCNT با قطرخارجی 5-15 نانومتر با نانوذرات اکسید آلومینیوم با میانگین اندازه ذرات 20 نانومتر با نسبت 70 به 30 در سیال پایه تعلیق شده اند. آزمایش‌ها برای کسرهای حجمی‌های 04/0 ، 08/0، 15/0، 3/0، 5/0، 8/0، 5/1 و 5/2 انجام‌شده است و برای بررسی اثرات دما، ضریب هدایت حرارتی نانوسیال در پنج دمای 30، 35، 40، 45 و 50 درجه سانتی‌گراداندازه‌گیری شده است.آزمایش‌ها نشان داد با افزایش کسر حجمی و دما، ضریب هدایت حرارتی نسبی نانوسیال افزایش می‌یابد. همچنین مشاهده شد زمانی که آزمایش‌ها در دمای بالا انجام می‌شود میزان افزایش ضریب هدایت حرارتی در اثر تغییر کسر حجمی نانوذرات جامد به‌مراتب بالاتر از تغییر آن به ازای همان میزان تغییر کسر حجمی در دمای پایین است. علاوه بر این در کسرهای حجمی بالاتر تغییرات ضریب هدایت حرارتی نانوسیال در اثر تغییر دما بسیار شدیدتر است. نتایج نشان می دهد که برای کسرهای حجمی پایین در هر دمای ثابتی، افزایش غلظت ذرات، سبب افزایش قابل توجه در ضریب هدایت حرارتی نانوسیال می شود. این در حالی است که در کسرهای حجمی بالاتر، این افزایش، شیب کمتری را نشان می دهد. در این مطالعه، حداکثر افزایش در ضریب هدایت حرارتی در کسر حجمی 5/2 درصد و دمای 50 درجه سانتی‌گراد به میزان 2/41 درصد مشاهده شد. بر اساس داده‌های تجربی، یک رابطه ی تجربی پیشنهادی و یک شبکه ی عصبی مصنوعی برای ضریب هدایت حرارتی نانوسیال برحسب کسر حجمی و دما پیشنهاد شد و با مقایسه نتایج حاصل از رابطه پیشنهاد شده و نتایج شبکه عصبی مصنوعی طراحی شده با داده‌های تجربی، بیشترین میزان خطا برای رابطه‌ی تجربی پیشنهادی و شبکه عصبی مصنوعی به ترتیب 6/2 درصد و %94/1 درصد به دست آمد که این نشان از دقت بالای هر دو روش برای تخمین ضریب هدایت حرارتی دارد.
مقدمه
خواص ترموفیزیکی سیالاتی که در فرآیندهای انتقال حرارت مورد استفاده قرار می‌گیرند موضوعی است که در دهه‌های اخیر مورد توجه محققین زیادی قرار گرفته است. مفهوم نانوسیال در سال 1995 توسط چوی [1] پیشنهاد و نشان داده شد که می‌توان با افزودن ذراتی با قطر کمتر از 100 نانومتر به سیالات رایج، خواص ترموفیزیکی آن‌ها را تغییر داد. نانوسیالات کاربردهای زیادی در گرمایش و سرمایش ساختمان ها، خنک کاری قطعات الکترونیکی، پزشکی، روغن کاری و خنک کاری موتورها دارند.[2-4] یکی از مهم‌ترین خواص ترموفیزیکی نانوسیالات که در وسایل سرمایشی، گرمایشی و سایر تجهیزاتی که با فرآیند انتقال حرارت سروکار دارند، اهمیت دارد،ضریب هدایت حرارتی است و به دلیل کاربرد نانوسیالات در این تجهیزات کارهای تجربی زیادی روی آن‌ها انجام شده است[5-12] و روابط و مدل‌هایی هم برای پیش‌بینی تغییرات ضریب هدایت حرارتی ارائه شده است[13-22]. ویسکوزیته دینامیکی یکی دیگر از ویژگی های گرمای فیزیکی است که توسط محققان بسیار مورد بررسی قرار گرفته است [23]. این دو خواص مستقیما خواص انتقال حرارت نانوفیلد را تحت تاثیر قرار می دهند.
Abstract
In the present paper, the effects of temperature and volume fraction on thermal conductivity of SWCNT– Al2O3/EG hybrid nanofluid are investigated. Single-walled carbon nanotube with outer diameter of 1–2 nm and aluminum oxide nanoparticles with mean diameter of 20 nm with the ratio of 30 and 70%, respectively, were dispersed in the base fluid. The measurements were conducted on samples with volume fractions of 0.04, 0.08, 0.15, 0.3, 0.5, 0.8, 1.5 and 2.5. In order to investigate the effects of temperature on thermal conductivity of the nanofluid, this characteristic was measured in five different temperatures of 30, 35, 40, 45 and 50 C. The results indicate that enhancement of nanoparticles’ thickness in low volume fractions and at any temperature causes a considerable increment in thermal conductivity of the nanofluid. In this study, the highest enhancement of thermal conductivity was 41.2% which was achieved at the temperature of 50 C and volume fraction of 2.5%. Based on the experimental data, an experimental correlation and a neural network are presented and for thermal conductivity of the nanofluid in terms of volume fraction and temperature. Comparing outputs of the experimental correlation and the designed artificial neural network with experimental data, the maximum error values for the experimental correlation and the artificial neural network were, respectively, 2.6 and 1.94% which indicate the excellent accuracy of both methods in prediction of thermal conductivity.
Introduction
In recent years, thermophysical properties of fluids being used in heat conduction have been an interesting subject for many researchers. For the first time, Choi [1] suggested the concept of nanofluid in 1995 and it was signified that adding particles smaller than 100 nm into common fluids would result in changes in their thermophysical properties. Nanofluids have many applications in air-conditioning, electronic components cooling, medicine and motors cooling and lubrication [2–4]. One of the most important thermophysical properties of nanofluids which are being used in applications concerned with heat conduction process is thermal conductivity, and it has been studied in many research works due to the numerous applications of nanofluids [5–12]; some equations and models are presented for prediction of thermal conductivity variations [13–22]. Dynamic viscosity is another thermophysical property which is investigated vastly by researchers [23]. These two properties affect heat transfer properties of nanofluid directly [24–26].
چکیده
مقدمه
آزمایشگاهی
اندازه‌گیری ضریب هدایت حرارتی
نتایج تجربی
رابطه تجربی پیشنهادی
طراحی شبکه عصبی مصنوعی
نتیجه‌گیری
Abstract
Introduction
Experimental
Thermal conductivity measurement
Experimental results
Proposed experimental correlation
Artificial neural network designing
Conclusions
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه