Nanoakışkanların termofiziksel ve reolojik özelliklerinin yapay sinir ağları ile tahmin edilmesi

Abstract

Bu tez kapsamında, Yapay Sinir Ağları (YSA) tabanlı bir tahminleyici geliştirilmesi ve bu tahminleyicinin literatürde yaygın olarak kullanılan korelasyonların yerine kullanılabilme potansiyelinin olabildiğince birbirinden farklı tipteki nanoakışkanlar ele alınarak araştırılması hedeflenmiştir. Kapsamlı literatür taraması sonucunda; nanoakışkanların ve hibrit nanoakışkanların yoğunluk ve özgül ısı değerlerini yapay sinir ağı modelleri ile tahmin etmeye yönelik oldukça az sayıda çalışma olduğu, yapay sinir ağlarının performansını etkileyen ağ yapısı ve hiper-parametrelerin genellikle deneme-yanılma yoluyla belirlendiği, aşırı öğrenmeye karşı önlem alınmadığı, çalışmalarda yapay sinir ağlarını eğitmede görece az sayıda veri kullanıldığı, yapay sinir ağlarının eğitilmesinde kullanılan verilerin genellikle normalize edilmediği, birden fazla özelliğin belirlenmesini ele alan çalışmalarda her bir özellik için ayrı bir ağın eğitildiği, yapay sinir ağlarının eğitilmesinde kullanılan verilerin elde edilmesinde birbirinden oldukça farklı aralıklarda yapılan çalışmaların bir arada kullanıldığı ve çalışmalarda genellikle su bazlı Al2O3 ve CuO gibi yaygın kullanılan nanoakışkanların ele alındığı tespit edilmiştir.

The aim of this thesis is to investigate the potential of Artificial Neural Networks (ANNs) to be used in the estimation of thermophysical and rheological properties of nanofluids instead of the correlations commonly used in the literature. As a result of a comprehensive literature review, it is found that there are very few studies on estimating the density and specific heat of nanofluids and hybrid nanofluids with the artificial neural networks, the network structure, and hyper-parameters that affect the performance of artificial neural networks are generally determined by trial and error, and no precautions are taken against over-fitting. It is also concluded that in most of the studies, relatively few data are used in training artificial neural networks, data used in training artificial neural networks are generally not normalized, for the prediction of each property a separate network is trained, and the data used in training artificial neural networks are obtained at quite different intervals of the parameters, and commonly used nanofluids such as water-based Al2O3 and CuO are discussed in most of the studies.